Sep, 2019

盆骨 X 光片中弱监督的通用骨折检测

PDF
TL;DR提出了一个针对 X 光诊断中骨盆和髋部骨折的两阶段方法，首先使用深度全卷积网络在训练数据中挖掘出可能的真实阳性和确定的硬阴性感兴趣区域，其次使用挖掘出的感兴趣区域训练一个更加一般化的模型来执行局部分析以对骨折进行分类。在 23 位受试者中的初步读者研究中，该方法表现出与人类医师 (甚至胜过急诊医生和外科医生) 不相上下的性能。
hip fracturespelvic fracturesx-ray diagnosiscomputer-aided diagnosisfracture detection
发现论文，激发创造
  • 使用深度神经网络进行类放射科医师级别髋骨骨折检测

    我们开发了一种自动深度学习系统，可以从前面的骨盆 X 光片中检测髋骨骨折，它可以应用于临床数据，并演示了类似于人类放射科医师的诊断性能，将 ROC 曲线下面积达到 0.994。该系统有望提高诊断效率，减少昂贵的额外检查，扩大专家级医学图像解释的接入，改善患者整体效果。

    Nov, 2017

  • 深度学习预测髋部骨折，利用混杂患者和医疗变量

    使用深度学习模型对 17,587 个 X 光片进行训练，研究了骨折的影像学特征、患者特征和医院过程特征对其影响，发现这些因素是计算机辅助诊断算法预测的主要来源，表明应该进一步研究深度学习决策过程以有效协作。

    Nov, 2018

  • 一种考虑解剖学的孪生网络：利用语义不对称性在 X 光图像中实现精准骨盆骨折检测

    本文提出一种新的骨盆前突破检测方法，基于对称性分析、空间转换层和 Siamese 网络，通过对像素信息进行深度学习优化，成功提高了诊断准确率。

    Jul, 2020

  • PELE scores: 骨盆提取增强法用于骨盆 X 线特征点检测

    该研究提出 PELvis Extraction（PELE）模块，利用 CT 中的 3D 解剖知识引导和很好地分离 PXRs 中的盆骨，从而消除软组织的影响，从而显著提高 PXRs 的地标检测准确性，并在几个基准度量上实现了最先进的性能。

    May, 2023

  • Pelphix：经皮骨盆固定术中 X 光图像的手术阶段识别

    本文提出了一种名为 Pelphix 的新方法，用于将 X 射线高度合成图像序列建模，以在四个不同细化级别上对手术阶段进行分类。这种方法证明了 X 射线的 SPR 的可行性，它对骨科手术、血管造影和介入放射学等过程都有益。

    Apr, 2023

  • 一种使用机器学习和不确定性量化的分阶段方法预测髋骨折风险

    通过使用卷积神经网络（CNN）从髋部 DXA 图像中提取特征，并结合临床变量、形态测量和纹理特征，我们提出了一种新颖的分段模型，用于评估老年人和中年人髋部骨折风险。该分段模型通过将集合模型 1（仅临床变量）的不确定性加入决策流程，以确定是否需要进一步预测 DXA 特征，而集合模型 2（临床变量和 DXA 成像特征）的表现最佳，实现了 AUC 为 0.9541，准确率为 0.9195，敏感性为 0.8078，特异性为 0.9427。此外，该分段模型建议 54.49% 的患者不需要进行 DXA 扫描，既提高了准确性又降低了费用与辐射。

    May, 2024

  • 基于医疗的深度课程学习用于改进骨折分类

    本研究提出了基于课程学习的的策略来支持从 X 射线图像中分类识别近端股骨骨折，并将基于医学决策树和多个专家的注释不一致性等医学知识作为依据，使我们能够为每个训练样本分配一个难度等级。通过启动学习 “简单” 示例并向 “困难” 的示例移动，我们证明了该模型可以在更少的数据情况下达到更好的性能，与类均匀和随机策略相比，提出的基于医学知识的课程表现在准确性方面达到了高达 15％的优势，并实现了有经验的创伤外科医生的表现水平。

    Apr, 2020

  • 基于深度学习的先天性髋关节发育不良自动诊断系统

    本研究提出了一种基于深度学习的系统，可以自动从一份放射学报告中检测出 14 个关键点，并测量 3 种解剖角度，从而对髋关节发育不良（DDH）的疾病等级进行分类。通过提出的打分系统，本研究可以为骨科医生提供可靠且可解释的临床决策支持。

    Sep, 2022

  • 胸部放射学图像的肋骨骨折检测的深度全监督学习

    本文提出了一种新的 omni-supervised 目标检测网络 ORF-Netv2 以尽可能地利用全部可用的监督信息，特别是针对刻画医疗数据的挑战性，该网络结合多种型号监督训练出一个多分支的 omni-supervised 检测头，并提出基于协同训练的动态标签分配策略，从而灵活、稳健地从弱标签和无标签数据中学习。这个 framework 在三个肋骨骨折数据集上获得了显着效果。

    Jun, 2023

  • 智能颈椎骨折检测基于深度学习方法

    该研究使用深度学习技术，通过一个两阶段的流程，识别并定位颈椎骨折，验证了该算法显著减轻放射科医生的工作量并提高骨折检测的准确性。

    Nov, 2023