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，夹板可能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。

表 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