CerviHFENet:基于混合特征提取的深度学习,用于在X射线成像中对上椎异常进行多标签分类
Zixuan Wang1, Cheng Zhang2,3,4, Xuemei Zhu5
1Key Laboratory of Universal Wireless Communications, Ministry of Education, Beijing University of Posts and Telecommunications, Beijing, 100876, China.
BMC medical imaging
|December 8, 2025
概括
一个新的深度学习框架,CerviHFENet,准确地诊断出X射线的多个上椎异常. 这个人工智能工具通过分析顺序特征和联合诊断来帮助临床医生,以改善患者的治疗结果.
科学领域:
- 放射学 放射学是一门学科.
- 人工智能的人工智能
- 医疗成像医学成像
背景情况:
- 准确诊断上椎脊柱异常对于患者的预后和治疗至关重要.
- 宫解剖学的复杂性和各种病理呈现出诊断挑战.
- 现有的深度学习模型在顺序的特征提取和多个异常的联合诊断方面扎.
研究的目的:
- 开发和验证一个深度学习框架,CerviHFENet,用于对六种上椎异常进行多标签分类.
- 用多位置X射线图像提高诊断上椎脊柱状况的准确性和效率.
主要方法:
- 一个基于CerviHFENet的框架被设计用于对六种上椎异常进行多标签分类.
- 该框架使用来自个别患者的三视图 (延伸,中性,曲) 放射图.
- 关键组件包括自适应性感兴趣区域 (ROI) 检测,混合特征提取 (HFE) 和修改的焦点损失功能.
主要成果:
- 该模型在测试组中实现了平均曲线下面积 (AUC) 96.22%和平均精度 (mAP) 94.6%.
- 混合特征提取有效地捕获了解剖学和动态骨结构变化.
- 修改后的焦点损失功能成功地学习了异常之间的复杂关系.
结论:
- 拟议的CerviHFENet框架表明,对于椎上部脊柱异常的诊断性能有前途.
- 该模型能够整合多位置信息并处理多种诊断的能力验证了其临床可行性.
- 这种由人工智能驱动的方法提供了一种有价值的工具,可以帮助放射科医生诊断复杂的椎脊椎疾病.
