临床放射学杂志

作者：鹿静雅, 伍志发, 刘梦秋, 吴娇艳, 刘影

单位：230001 合肥,中国科学技术大学附属第一医院安徽省立医院影像科

关键词：深度学习,卷积神经网络,薄层CT,骨折检测

基金：本研究系白求恩公益基金会基金项目(编号:2019-12-31)

<b>目的</b> 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。<b>方法</b> 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。<b>结果</b> 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%。<b>结论</b> 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。

来源：2023年第6期

《临床放射学》期刊编辑部

查看临床放射学杂志2023年第6期