一个混合EffViT-B6模型用于使用X射线成像进行自动手腕骨折检测

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:

• 手腕骨折 (WFs) 是常见的肌肉骨损伤,需要准确及时诊断.
• 射线成像是WF检测的标准,但当前的深度学习模型面临着图像质量和特征焦点方面的挑战.
• 现有的方法通常依赖于卷积神经网络或You Only Look Once模型.

研究的目的:

• 开发和评估一种新的混合深度学习模型,用于自动检测手腕骨折.
• 通过整合本地和全球特征表示来提高诊断性能.
• 解决当前模型在处理成像变异性和专注于信息区域方面的局限性.

主要方法:

• 一个混合型的EffViT-B6模型被提出,它结合了EfficientNet-B6和视觉变压器.
• 该模型在单个阶段自动提取和整合本地和全球特征.
• 使用梯度加权类激活图来识别骨折区域,而无需手动注释.

主要成果:

• 在肌肉骨放射 (MURA) 数据集上,EffViT-B6模型实现了89.07%的分类准确性和93.21%的AUC.
• 与公开可用的手腕X射线数据集上的现有方法相比,它表现出更高的性能.
• 该模型有效地识别了骨折区域,展示了增强的诊断能力.

结论:

• 混合型EffViT-B6型号在自动手腕骨折检测方面取得了重大进展.
• 这种人工智能驱动的方法可以通过提高诊断准确性,效率和及时性来帮助临床医生.
• 该模型能够整合多层次特征并识别骨折区域,这对临床应用具有前景.