探讨基于卷积神经网络对颅底骨折CT图像精准诊断的应用价值

摘要：

目的:探讨卷积神经网络(CNN)在颅底骨折CT诊断的应用价值.方法:回顾性搜集3100例颅底骨折患者及2467例正常患者的颅骨CT图像数据,经纳排标准筛选,最终选用2488例颅底骨折及1628例正常患者的颅底CT图像数据.对CT图像进行骨折标注后,随机分配训练集和测试集后.通过CNN构建颅骨区域识别算法模型和颅骨骨折检测算法模型,随后在测试中以颅底骨折区域识别和头颅骨折、颅底骨折对模型进行验证,验证指标为精准率(precision)、召回率(recall)、平均诊断耗时;与人工组(低年资放射科医师)测试进行诊断效能对比.结果:通过CNN运算获得的稳定模型后进行测试对比,结果显示全颅底区域骨折、前、中、后颅底骨折精准度均＜0.5,低于人工组(均＞0.63);召回率＞0.89,均优于人工组(均＜0.8);平均诊断时间为(3.12±2.67)s,明显少于人工组诊断时间.分别在颅底骨折区域测试中,精准度率:前颅底＞中颅底＞后颅底,召回率:中颅底＞后颅底＞前颅底.结论:基于CNN颅底骨折算法模型对于颅脑外伤患者CT诊断颅底骨折在召回率、诊断耗时均优于人工测试结果,在辅助临床诊断、降低漏诊及诊断耗时方面具有一定的价值.

关键词：卷积神经网络;TinyNet;颅底骨折;CT;深度学习

所属期刊栏目：30

分类号：R814;O242(放射医学)

资助基金：深圳市龙岗区医疗卫生科技计划项目RefineNet;LGKCYLWS2019000384

在线出版日期：2022-01-13（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：769-776