一种基于注意力的转移学习模型,用于诊断部关节泛光X射线图中的亚脱
Yasin Sancar1, Isil Karabey Aksakalli2, Ozlem Sokmen3
1Open Education Faculty, Ataturk University, 25240, Erzurum, Turkey.
Scientific reports
|December 18, 2025
概括
这项研究引入了一种AI模型,用于检测X射线的关节脱. 基于注意力的深度学习方法显著提高了诊断准确性,有助于早期检测和治疗计划.
科学领域:
- 医疗成像医学成像
- 医疗保健中的人工智能
- 深度学习应用程序
背景情况:
- 关节 (TMJ) 疾病很常见,准确的亚脱 (SL) 检测对于及时诊断和治疗至关重要.
- 全景放射 (TMJ-PR) 是一种低成本的成像方式,但手动SL检测可能具有挑战性和主观性.
- 人工智能 (AI) 和深度学习 (DL) 具有提高医学成像诊断准确性和效率的潜力.
研究的目的:
- 开发和评估一种基于转移学习的深度学习模型,用于在关节全景放射图像 (TMJ-PR) 中更好地检测下 (SL).
- 创建和发布公开可用的TMJ-PR图像注释数据集,以促进研究和可复制性.
- 研究将自我注意机制集成到现有的DL架构中,以提高SL检测的有效性.
主要方法:
- 准备并发布了3425张注释TMJ-PR图像的数据集.
- 一些转移学习模型 (MobileNet,ResNet50V2,InceptionV3,Xception,EfficientNetV2B0,InceptionResNetV2,DenseNet201) 被训练并使用5倍交叉验证进行评估.
- 在表现最好的基线模型 (DenseNet201) 中集成了一个自我注意力机制,以创建基于注意力的版本.
主要成果:
- 基于注意力的DenseNet201模型实现了高性能指标:准确率为90.7%,精度为90.7%,回忆率为90.7%,特异性为89.4%,F1得分为90.7%.
- 与所有基线模型相比,拟议的基于注意力的模型显示出高于F1得分的表现,相对改善范围从+2.40%到+14.26%.
- 公开发布的数据集支持人工智能驱动的医学研究的透明度和可重复性.
结论:
- 提出的基于注意力的深度学习模型显著改善了TMJ-PR图像中的亚脱位检测.
- 这种模型显示了将其集成到临床决策支持系统 (CDSS) 中,用于早期诊断和治疗规划的前景.
- 标注数据集的可用性将促进TMJ成像分析人工智能的进一步进展.
