BAEN-SKCNN:一种新的框架,用于早期查和严重程度诊断的脊椎病,使用裸体背部图像

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:

• 脊椎查对于治疗规划和预防进展至关重要.
• 传统方法带来了诸如辐射暴露等风险,需要专门的设备和人员.
• 现有的脊椎形的深度学习方法面临着挑战,包括不同的背景,不一致的图像大小和阶级不平衡.

研究的目的:

• 开发一种有效的深度学习方法,用于早期形查和严重性诊断,使用背影图像.
• 解决传统选方法和当前深度学习技术的局限性.
• 创建一个通用适用和准确的脊椎病诊断工具.

主要方法:

• 提出了一种基于背注意力提取网络 (BAEN) 和选择性内核卷积神经网络 (SKCNN) 的新方法.
• BAEN的设计是为了提取背部区域,提高诊断准确性和模型通用性.
• 空间金字塔聚合和选择性内核网络原则被集成到SKCNN中进行查和诊断.

主要成果:

• 在自制数据集上实现了98%的早期脊柱形查准确度.
• 在诊断脊椎结节症严重程度方面达到73%的准确性.
• 开发了一个配套的APP,用于快速的,场所独立的脊椎病诊断.

结论:

• BAEN-SKCNN方法在脊椎查和诊断方面表现出高精度和普遍性.
• 开发的系统为传统方法提供了一个方便的,无辐射的替代方案.
• 这种方法对大规模的脊柱形查和改善诊断率具有重大潜力.