-
不同人工智能模型对基于手腕部DR影像的骨龄预测比较
编辑人员丨2023/8/6
目的 探讨2种深度学习模型对基于手腕部DR影像骨龄预测价值,为骨龄评估提供合适的人工智能模型.方法 搜集本院11858例0～18岁骨龄检测的左手腕部DR影像资料,构建基于其影像传统关注局部区域(AIM1)或数据驱动整体区域(AIM2)深度学习特征的骨龄预测模型.应用2种模型分别对本院2018年2月1216例(男415例,女801例)8个月～17岁儿童骨龄左手腕部DR影像资料进行测试,比较其骨龄预测值及与医师读数平均绝对误差(MAE)的差异,并评估其相关性,P＜0.05为差异有统计学意义.结果 参照儿科放射科医师基于GP图谱的骨龄读数,准确率AIM1为90.87％,低于AIM2的94.73％ (P =0.001);MAE值AIM1为0.441±0.434,高于AIM2的0.437±0.328(P=0.929);其中,AIM2对女孩骨龄预测值更接近医师骨龄读数(P=0.78),AIM1对男孩骨龄预测值更接近医师骨龄读数(P =0.914);骨龄预测值2种模型之间及其与医师骨龄读数均具有显著相关性(P＜0.01).结论 基于整体手腕部DR影像数据驱动人工智能模型对骨龄预测准确性高于基于临床先验知识的人工智能模型.
...不再出现此类内容
编辑人员丨2023/8/6
-
基于整张手腕部DR影像深度学习特征的人工智能骨龄评估方法
编辑人员丨2023/8/6
目的:探讨基于整张手腕部X线数字摄影(DR)影像深度学习特征的人工智能骨龄评估(AI-BAA)方法.方法:收集本院11858例0～18岁左手腕部骨龄DR图像数据,随机提取20％为验证集、80％为训练集,图像预处理后在resnet101基础上构建多模态信息融合的深度学习模型,优化算法以实现骨龄回归,并通过热力图实现数据模型可视化.另收集本院新近0～17岁1217例骨龄影像数据作为测试集,检验模型效能.采用平均绝对误差(MAE)和散点图评估模型骨龄预测的准确性.结果:模型骨龄预测值和儿科放射医师诊断结果的散点图呈一致性分布,MAE验证集0～18岁整体为(0.469±0.396)岁 、男性为(0.453±0.396)岁 、女性为(0.480±0.395)岁,测试集0～17岁整体为(0.459±0.371)岁,男性为(0.432±0.334)岁,女性为(0.511±0.429)岁.结论:基于整张手腕部DR影像高阶特征的AI-BAA模型提供了可靠的自动化骨龄检测方法.
...不再出现此类内容
编辑人员丨2023/8/6
-
基于医院RIS-PACS场景的人工智能骨龄检测系统集成技术与实现
编辑人员丨2023/8/5
目的 探讨基于医院RIS-PACS网络和工作流的人工智能骨龄检测系统的集成方法与技术实现.方法 基于Python flask web框架的http协议,通过调用、对接医院PACS、RIS接口,设计一种架构以实现自主研发的2套人工智能骨龄检测系统(CHBoneAI 1.0/2.0)与PACS、RIS系统的集成.结果 2套CHBoneAI均成功嵌入式集成于医院网络及RIS-PACS平台,且稳步临床"并行运行"已近3年;在目前医院千兆网络条件下,临床每个病例骨龄AI检测整个流程不超过3 s.结论 人工智能骨龄检测系统在医院RIS-PACS平台上集成与"并行运行"完成了I期构建,为系统自我进化及"替代运行"的Ⅱ期建设夯实了基础.
...不再出现此类内容
编辑人员丨2023/8/5
