使用迁移学习进行骨折分类
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
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
提出了一种新的模型 SkullNetV1,利用卷积神经网络和懒惰学习方法对脑 CT 图像中的颅骨骨折进行分类,可以自动化地检测和分类骨折类型,该模型在七类多标签分类中取得了 88%的子集准确度,93%的 F1 得分,0.89 至 0.98 的曲线下面积(AUC),92%的汉明分数和 0.04 的汉明损失。
Mar, 2022
本文介绍了一种基于卷积神经网络的计算机辅助颅骨骨折分类专家系统,使用 ResNet50 和梯度提升决策树机器学习算法将 CT 扫描中某三类颅骨骨折分类,可以实现 96% 的 F1 值,95% 的汉明分值,94% 的平衡准确度分值和 96% 的 ROC 曲线。
Aug, 2022
通过建立骨折数据集,提出了一个自动诊断踝关节骨折的诊断模型,该模型利用联合胫腓区域分割网络进行分割,通过图像配准法进行骨分割掩膜的注册,最终构建了半监督分类器来对踝关节骨折进行分类,实验证明该方法能够准确分割具有骨折线条的骨折并在多个指标上优于常规方法和分类网络。
Mar, 2024
通过训练 Faster R-CNN 深度学习网络,在只有 38 张有骨折的手部 X 光图像的情况下,可高精准度地识别和定位远端桡骨骨折,其准确性为 96%,平均精度为 0.866,并且较医生和放射科医师检测结果更为准确。这一技术为检测罕见疾病或常见疾病的罕见症状打开了可能性。
Dec, 2018
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。
Sep, 2019
本文探讨了使用多种迁移学习模型进行骨肉瘤检测的性能,结果显示使用 InceptionResNetV2 模型获得了最佳的准确度 (93.29%) 和精度 (0.8658)。
May, 2023
通过 ProtoVerse 方法,我们成功应用于 VerSe'19 数据集,解决了骨折分级和深度学习模型解释性不足的问题,实现了对医学诊断的可解释性和临床适用性的提升。
Apr, 2024