在新生儿胸部放射图中对T1,T7和T12胸椎进行自动细分和标记:使用nnU-Net框架的深度学习方法
Sumin Jung1, Heerim Yun2, Hye Won Cho3
1Core Research & Development Center, Korea University Ansan Hospital, Ansan, Republic of Korea.
Frontiers in pediatrics
|February 23, 2026
概括
一个新的深度学习系统在新生儿胸部X射线中准确地细分和标记胸椎T1,T7和T12. 这种人工智能工具有助于验证重症新生儿的医疗设备放置情况.
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:
- 准确识别胸椎 (T1,T7,T12) 对于评估医疗器械放置在新生儿胸部放射图中至关重要.
- 目前的方法依赖于手动识别,这可能耗时且容易出现错误.
研究的目的:
- 引入一个完全自动化的深度学习系统,用于在新生儿胸部放射图中对T1,T7和T12胸椎进行细分和标记.
- 评估这种人工智能驱动方法的准确性和可靠性.
主要方法:
- 一套14660张新生儿胸部X光片的数据集被追溯地从韩国10所大学医院收集.
- 基于nnU-Net架构的深度学习系统被开发用于自动细分和标签.
- 数据集被分为培训,验证和测试集,注释由儿科医生验证.
主要成果:
- 自动细分算法与T1,T7和T12脊椎的人类注释有很好的一致性 (子相似系数从0.7998到0.8327不等).
- 一个适度的子相似系数值 (0.50或0.60) 实现了超过90%的准确性来识别每个脊椎的近似位置.
- 该系统在细分和标记目标胸脊椎时显示出高精度.
结论:
- 开发的深度学习系统在新生儿胸部X射线影像中准确地细分和标记T1,T7和T12胸椎.
- 这种人工智能驱动的方法为绘制解剖区域提供了可靠的工具,以评估新生儿重症监护室中管和导管尖端的位置.