基于卷积神经网络的胸部薄层CT图像肋骨骨折分割与检测研究
目的 探讨基于卷积神经网络(CNN)的深度学习(DL)模型在胸部薄层CT图像上进行自动肋骨骨折分割与检测的价值.方法 搜集本院2021年1月至12月收治的外伤后患者胸部薄层CT图像,包括560例肋骨骨折患者和480例无肋骨骨折患者.使用基于Dense-Net 3D网络的DL模型从CT图像中分割并检测肋骨骨折区域,使用了 Dice系数和交并比(IOU)来评价模型的分割效果,使用自由反应ROC(FROC)曲线来评价模型在骨折的检测任务中的灵敏度和假阳性表现.结果 基于Dense-Net 3D网络的DL模型在肋骨骨折分割任务中Dice系数达到0.8430,IOU达到0.7286,平均每次扫描的假阳性结果数为10时,模型对皮质断裂骨折的检测灵敏度为95.05%,对皮质扭曲骨折的灵敏度为81.52%,对两类骨折的综合灵敏度为90.51%.结论 基于CNN的DL模型对胸部薄层CT图像上肋骨骨折分割与检测效能良好,模型具有一定的通用性和泛化能力,其准确率可满足部分临床需求.
深度学习、卷积神经网络、薄层CT、骨折检测
42
TP751;TP391.41;TM712
白求恩公益基金会基金项目2019-12-31
2023-08-08(万方平台首次上网日期,不代表论文的发表时间)
共7页
996-1002