European Radiology:如何提高腕部x线片的骨折可视性?

医疗资讯网-妇科问诊

手腕损伤是所有年龄段的常见问题,占急诊就诊的2.5%。现阶段,x线平片仍然是诊断和评估手腕骨折的主要工具。然而,当在损伤部位使用石膏、石膏或夹板等固定装置时,其准确性往往受到限制。这些固定装置(以下称为夹板)可能在x线片上模糊骨折线和解剖细节,从而使潜在骨折的诊断和特征复杂化。对于日益增长的老年人口来说,这一问题变得更加关键,因为骨质疏松症更容易导致骨折,这也使得夹板下的骨折更难检测。此外,对于有骨折延迟愈合风险的患者,需要频繁进行x线检查,夹板可限制对骨痂形成和不愈合迹象的评估,可能延迟并发症的诊断。

基于深度学习(DL)的计算机视觉技术在各种应用中都得到了很好的应用,并且在x线片的骨折检测中表现出了良好的性能,一些模型甚至达到了商业化。然而,这些模型在处理包含夹板的图像时性能下降,据报道特异性下降50.9%,准确性下降7.7%。

生成对抗网络(GANs)已经成为放射学领域的一个强大工具。与传统的基于DL的检测和分类模型分析现有图像不同,GANs能够生成或修改图像。这种能力允许GANs应用于胸部x线摄影,以数字方式抑制肋骨密度,从而提高结节检测任务的性能。


最近,发表在European Radiology 上的一篇文章验证了CycleGAN生成的腕部x线片与数字移除夹板的使用,特别评估了其对骨折可视化的影响。

本项回顾性研究收集了1748例患者在夹板应用前后的腕关节x线片。数据集分为训练集(1696例患者,5353幅图像)和测试集(52例患者,965幅图像)。训练基于CycleGAN的模型,从原始“夹板”图像生成无夹板手腕x线片(生成“无夹板”)。使用预训练的骨折检测模型(YOLO8s)评估三组图像的骨折检测性能:原始“无夹板”x线片、原始“夹板”x线片和生成的“无夹板”x线片。两名放射科医生对生成的图像进行评分。减法图像量化了整体图像的变化。精确度、召回率和F1评分用于比较骨折检测性能。

CycleGAN有效生成夹板抑制x线片,夹板剩余密度最小(97.99% < 10%)硬件畸变(100% < 10%变化)解剖畸变(99.63% < 10%变化)骨折病变改变(100% < 10%变化)。新的人工制品很少(97.54%没有)。值得注意的是,与原始“无夹板”x线片相比,骨折检测模型在生成的“无夹板”x线片上获得了更高的精度(0.94比0.92)、召回率(0.63比0.5)和F1评分(0.75比0.65),接近原始“无夹板”x线片的性能(F1为0.71)。此外,CycleGAN对图像的较大改变与裂缝检测的较大改进相关。


定位模型(YOLO8s)在公共数据集和测试集中的精度

本项研究表明,CycleGAN成功地消除了夹板腕部x线片上的夹板密度。

原文出处:

Sungwon Lee,Keum San Chun,Seungeun Lee,et al.Suppression of immobilisation device on wrist radiography to improve fracture visualisation.DOI:10.1007/s00330-024-11232-2

爱去舞 人体艺术 妇科学问

下篇:Phytomedicine:加减交气散增强慢性溃疡性结肠炎上皮细胞自噬,抑制TNF触发的细胞凋亡

上篇:J Cosmet Dermatol:中国医学科学院整形外科医院团队发现:鼻部填充物注射后迟发性过敏反应的治疗

首页 > 医疗学术
闽ICP备17012959号