可转移的基于CNN的数据挖掘方法用于医学成像:将DXA扫描应用于脊椎,以检测骨质疏松症
Awad Bin Naeem1,2, Onur Osman3, Shtwai Alsubai4
1National College of Business Administration and Economics, Multan, Pakistan.
Frontiers in computational neuroscience
|January 15, 2026
概括
一个新的卷积神经网络 (CNN) 模型从脊柱DXA扫描中准确检测骨质疏松症. 这种人工智能工具表现出高性能,有助于早期诊断和减少骨折风险.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 放射学 放射学是一门学科.
背景情况:
- 骨质疏松症是导致骨折的主要原因,通常是默默地进展.
- 双能X射线吸收计 (DXA) 对于测量骨密度和检测脊柱骨质疏松症至关重要.
研究的目的:
- 开发和验证一个深度学习模型,用于在脊柱DXA图像中自动检测骨质疏松症.
- 将拟议模型的性能与已建立的预训练卷积神经网络 (CNN) 模型进行比较.
主要方法:
- 用174张脊柱DXA图像实现了21层CNN模型来检测骨质疏松症.
- 使用数据增强技术来扩展数据集并增强模型训练.
- 该模型的性能与ResNet-50,VGG-16,VGG-19和InceptionV3.3进行了评估.
主要成果:
- 拟议的CNN模型实现了97.16%的F1得分,95.41%的回忆,97.14%的准确性和99.04%的精度.
- 该模型与评估的四个受欢迎的预训练模型相比,表现优越.
- 人工智能模型有效地识别了脊柱DXA图像中的骨质疏松症.
结论:
- 开发的CNN模型为放射科医生在诊断骨质疏松症方面提供了宝贵的工具.
- 自动检测和监测骨质疏松症可能会减轻骨折的风险.
- 这种人工智能驱动的方法支持早期干预和骨质疏松症的管理.
