使用深度学习和机器学习方法检测和分类来自平坦的骨盆X射线的腿部部骨折

科学领域:

• 放射学 放射学是一门学科.
• 人工智能的人工智能
• 医疗成像医学成像

背景情况:

• 腿部部骨折对健康构成重大风险,特别是在老年人群中.
• 准确诊断和分类这些骨折对于有效的患者管理至关重要.

研究的目的:

• 开发和比较深度学习和机器学习算法,用于诊断和分类部部骨折,使用普通的骨盆X射线.
• 评估不同人工智能模型在断裂检测中的性能.

主要方法:

• 使用了598张盆腔X射线的数据集 (296张有骨折,302张没有).
• 使用预训练深度学习模型进行应用转移学习:VGG-16,ResNet-50和MobileNetv2.
• 从VGG-16中提取特征,并使用机器学习算法对其进行分类,包括k-最近邻居 (k-NN).

主要成果:

• VGG-16模型实现了95.6%的精度,95.5%的灵敏度和93.3%的特异性.
• 使用VGG-16特征的k-NN算法超过了VGG-16模型的精度1%.
• 与ResNet-50和MobileNetv2相比,VGG-16在断裂检测和分类方面表现优越.

结论:

• 深度学习和机器学习模型在检测和分类来自X射线的股骨部骨折方面表现出很高的有效性.
• 结合VGG-16特性,k-NN算法为改善骨折诊断提供了一个有希望的方法.
• 开发的模型可以帮助医生,特别是在紧急情况下或在解释盆腔放射图的经验有限的情况下.