FracNet
抽象的
背景:肋骨骨折的诊断在确定创伤严重程度方面起着重要作用。 但是,随着患者数量的增加,快速,准确地识别大量CT图像中的肋骨骨折是一项艰巨的任务,这也要取决于放射科医生的资格。 我们的目标是针对临床上适用的自动系统,用于从CT扫描中进行肋骨骨折的检测和分割。
方法:将来自一个中心的900例患者的总计7,473例带注释的外伤性肋骨骨折纳入我们的数据集,称为RibFrac数据集,并使用人工环标签程序进行注释。 我们开发了一种名为FracNet的深度学习模型,用于检测和分割肋骨骨折。 分别将720名,60名和120名患者随机分为训练组,调整组和测试组。 使用FreeResponse ROC(FROC)分析来评估检测性能的敏感性和假阳性,并使用联合路口交叉口(IoU)和骰子系数(Dice)来评估预测的肋骨骨折的分割性能。 观察者研究(包括独立的仅涉及人类的研究和人类协作研究)
1