人工智能检测和分类 Ventriculoperitoneal Shunt ,使用检测模型的微调
Zari O'Connor1, Austin Fullenkamp2, Morgan P McBee2
1College of Medicine, Medical University of South Carolina, 96 Jonathan Lucas St, Suite 601617, Charleston, 29425 SC, USA. oconnorz@musc.edu.
Journal of imaging informatics in medicine
|December 19, 2025
概括
一个深度学习模型可以准确地检测和分类X射线图中的腹腔关节 (VP) 突变. 这种人工智能工具有助于识别多种VP分流门类型,改善水头治疗的临床应用.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 神经外科 神经外科
背景情况:
- 腹腔关节 (VP) 突变对于水头管理至关重要.
- 在X光照上识别特定的VP分流门类型是具有挑战性的,因为有许多模型.
- 精确的门识别对于确定分流设置和患者护理至关重要.
研究的目的:
- 开发和评估一个深度学习模型,用于检测和分类头骨X射线图中的VP突变.
- 与手动方法相比,提高VP分流识别的效率和准确性.
主要方法:
- 一个数据集由2263个头骨放射图组成,其中包括11种不同的VP门类型.
- 使用数据增强和超参数优化微调了一个YOLOv8大型深度学习模型.
- 该模型经过80/10/10数据分割的训练和验证.
主要成果:
- 微调的YOLOv8模型实现了高性能指标:精度为0.949,回忆率为0.930,mAP50为0.951,最大F1得分为0.952.
- 单个门类型的平均精度 (mAP50) 从0.841到0.995.99不等.
- 该模型在各种VP门类型中展示了强大的概括性.
结论:
- YOLOv8深度学习模型显示了在VP分流检测和分类中临床应用的巨大潜力.
- 这种人工智能方法提供了明确的门定位,可以处理每个患者的多个分流,并促进下游分析.
- 该模型的高精度和概括能力可以简化神经外科医生的放射性解释.
