在使用深度学习的死后CT数据上自动检测肋骨骨折
Manel Lopez-Melia1,2, Virginie Magnin3,4, Sami Schranz3
1University Centre of Legal Medicine Lausanne-Geneva, University of Geneva, Rue Michel-Servet 1, 1206, Geneva, Switzerland. manel.lopezmelia@unige.ch.
International journal of legal medicine
|December 3, 2025
概括
一个深度学习模型 (nnDetPM) 在死后CT扫描上检测肋骨骨折方面表现出了显著的表现,与放射科医生相似. 然而,由于域转移,诸如手臂位置和医疗器械等因素会显著影响性能.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 法医科学 法医科学 法医科学
背景情况:
- 肋骨骨折检测在法医调查中至关重要,但耗时.
- 深度学习 (DL) 模型可以提高放射科医生在临床CT扫描上检测肋骨骨折的性能.
研究的目的:
- 评估DL模型 (nnDetection) 在死后CT扫描上检测肋骨骨折的性能.
- 确定临床和PM CT成像之间的域转移因素.
主要方法:
- 训练了nnDetection模型的两个实例:50个PMCT扫描中的nnDetPM和660个临床CT扫描中的nnDetClin.
- 在PMCT测试套件上评估模型性能.
主要成果:
- 在PMCT扫描中,nnDetPM获得了70.2%的灵敏度和78.1%的精度.
- nnDetClin在PMCT扫描上表现不佳 (19.8%的灵敏度,25.5%的精度),突出显示域转移.
- 手臂位置和医疗器械被确定为关键的领域转移因素.
结论:
- nnDetPM模型在PMCT肋骨骨折检测方面表现出显著的表现,与放射科医生相比.
- 需要进一步的研究来探索先进的技术,以克服该应用程序中DL模型的领域转移挑战.


