使用自动化物体检测模型在全场肢体放射中检测和分类各种骨瘤的深度学习模型的开发和评估
Masashi Yamana1,2, Ryoma Bise2, Makoto Endo1
1Department of Orthopaedic Surgery, Graduate School of Medical Sciences, Kyushu University, Fukuoka, Japan.
Bone & joint research
|September 1, 2025
概括
与YOLO相比,一个名为Detection with transformers with Improved deNoising anchOr boxes (DINO) 的深度学习模型可以更好地检测骨瘤. DINO可以帮助临床医生准确地检测和分类骨瘤.
科学领域:
- 整形瘤学
- 放射学
- 医学中的人工智能
背景情况:
- 精确的检测和骨瘤的分类是对患者的管理至关重要的.
- 目前的诊断过程严重依赖于专家的解释,这可能耗时且受观察者之间的变化影响.
研究的目的:
- 开发和评估一个完全自动化的深度学习模型,用于检测和分类肢体X射线图中的良性和恶性骨瘤.
- 将自动化模型的分类性能与整形瘤学家和整形外科医生进行比较.
主要方法:
- 对来自三个机构的642个四肢骨瘤进行了回顾性分析.
- 采用了端到端对象检测模型,用改进的降噪盒 (DINO) 和只看一次 (YOLO) 的变压器进行检测.
- 用于模型训练,参数优化和性能评估的五倍交叉验证.
主要成果:
- DINO模型的平均瘤检测率 (85.7%) 比YOLO模型 (80.1%) 高.
- 与一般骨科外科医生相比,DINO的准确性和灵敏性显著提高.
- DINO模型成功地分类了多位临床医生错误分类的具有挑战性的病例,尽管在诊断上困难或异常位置的瘤中出现了错误.
结论:
- 在自动检测骨瘤方面,
- 这种深度学习方法可以帮助临床医生在临床实践中检测和分类骨瘤.


