远距离半径辐射参数的自动评估使用混合方法,结合深度学习和计算机辅助诊断算法
Sang-Jeong Lee1, Minji Kang1, Jae-Sung Lee2
1Multimodal AX Business Team, LG CNS, Seoul, Korea.
Clinics in orthopedic surgery
|December 8, 2025
概括
这项研究引入了一种使用深度学习的自动化混合方法,用于准确地测量手腕放射学参数. 这种方法提高了效率,减少了医疗图像分析中的手工劳动.
科学领域:
- 放射学 放射学是一门学科.
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 医学成像中的深度学习正在迅速发展.
- 对手腕放射图的自动分析对于准确的诊断至关重要.
- 现有的方法可能需要大量的手动输入.
研究的目的:
- 开发一种自动化的混合方法,用于检测解剖学地标和测量手腕放射学中的放射性参数.
- 将深度学习与传统的计算机辅助诊断相结合,以提高准确性.
- 评估开发的方法的性能.
主要方法:
- 开发了一种混合方法,结合了深度学习和计算机辅助诊断.
- 487张手腕X射线图用于培训和验证,其中100张用于测试.
- 确定并测量了放射性倾斜 (RI),放射性长度 (RL),飞行倾斜 (VT) 和腰椎变异 (UV) 的解剖标志.
主要成果:
- 该模型实现了97-99%的成功检测率 (SDR).
- 对RI,RL,VT和UV的平均绝对误差 (MAE) 处于可以接受的范围内 (例如,RI为1.62°,UV为0.43mm).
- 观察到RI,VT和UV的可靠性高 (ICC>0.86),RL的可靠性中等 (ICC = 0.75).
结论:
- 自动化混合方法准确地识别了地标,并在手腕X射线图上测量了远半径参数.
- 这种方法大大节省了时间,并减少了数据集创建和算法开发中的人力劳动.
- 该方法为提高放射学分析效率提供了有价值的工具.
