使用YOLOv8和基于类的参考图像赋值作为安全机制,完全自动检测和识别CSF变送

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 神经外科 神经外科

背景情况:

• 脑脊液 (CSF) 突变对于管理头症至关重要.
• 精确识别门类型和压力设置对于患者护理至关重要.
• 从射线图中手动分类分流可以耗费大量时间和容易出错.

研究的目的:

• 使用YOLOv8x框架开发和评估用于检测和识别CSF道的自动化算法.
• 为了简化CSF门分类的诊断工作流程.
• 评估算法的准确性和综合安全机制的有效性.

主要方法:

• 使用了2701张匿名放射照片的回顾性队列,其中包括六种类型的CSF短路门.
• 应用了数据增强技术 (翻转,缩放,马赛克),以提高模型的稳定性.
• 采用5倍交叉验证方法,将数据分成80%的培训和20%的测试集.
• 验证指标包括平均精度 (mAP50),精度,回忆和F1分数.
• 一个基于类的参考图像分配系统将检测到的门与制造商图像联系起来,以便放射科医生审查.

主要成果:

• 该算法实现了0.884的加权mAP50和94.8%的加权平均F1得分.
• 在普通门中记录了高F1分数 (Codman Certas: 99.6%,Codman Hakim: 99.6%).
• 在不太常见的门中观察到较低的F1分数 (proGAV: 30.8%).
• 放射科医生通过安全机制在识别正确和不正确的算法分类方面实现了100%的准确性.

结论:

• 基于YOLOv8x的自动化系统在检测和分类中表现出高效率的CSF门.
• 该算法大大简化了用于分流识别的诊断工作流程.
• 综合安全机制将检测到的门与参考图像联系起来,确保准确的分类并识别潜在的错误.