基于人工智能的方法用于检测儿童的手腕骨折
Dongren Liu1,2, Zhiyuan Yang3, Chunyu Bao4
1School of Sports Health, Tianjin University of Sport, Tianjin, China.
Scientific reports
|November 4, 2025
概括
这项研究介绍了Kid-YOLO,这是一种用于在X射线中检测儿科手腕骨折的AI工具. 改进的深度学习模型提高了诊断的准确性和效率,帮助医生识别复杂的骨折.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 整形外科 整形外科 整形外科
背景情况:
- 儿科手腕骨折很常见,但由于骨结构的发育,诊断很困难.
- 传统诊断依赖于医生的经验,冒着错误诊断和低效率的风险,特别是在资源有限的环境中.
研究的目的:
- 开发一个改进的深度学习检测方法,Kid-YOLO,用于在X射线图像中准确有效地自动检测儿科手腕骨折.
- 通过优化特征提取,定位精度和解决类失衡问题来增强断裂检测.
主要方法:
- 一个改进的深度学习模型,Kid-YOLO,基于YOLO11s,结合了C3k2-WTConv模块和Focaler-MPDIoU损失函数.
- 波形转换和卷积操作在C3k2-WTConv模块中进行了组合,以增强特征提取.
- 使用Focaler-MPDIoU损失函数来改善罕见目标的检测和优化定位.
主要成果:
- 与基线YOLO11模型相比,Kid-YOLO模型的精度提高了3.2%,回忆率提高了1.6%,mAP@50提高了1.8%,mAP@50-95提高了3.2%.
- 人工智能辅助诊断系统提供了高效的图像加载,骨折检测和结果可视化.
- 该系统为医生提供了可靠的工具,改善了儿科手腕骨折的诊断能力.
结论:
- 拟议的Kid-YOLO模型显著提高了X射线中儿科手腕骨折检测的准确性和效率.
- 开发的AI系统作为临床实践的宝贵工具,支持医生诊断复杂骨折.
- 这种深度学习方法有可能在医学成像分析和精准医学中得到更广泛的应用.
