Automatische Übersetzung anzeigen
Dies ist eine automatisch generierte Übersetzung. Wenn Sie auf den englischen Originaltext zugreifen möchten, klicken Sie hier
#Neues aus der Industrie
{{{sourceTextContent.title}}}
Tiefes Lernen- Netz ermittelt, lokalisiert Brüche auf Handgelenkröntgenstrahlen
{{{sourceTextContent.subTitle}}}
Ein Team von Singapur zeigte, dass ein neurales Gewindenetz der Gegenstandentdeckung (CNN) Brüche auf Handgelenkröntgenstrahlen genau ermitteln und lokalisieren könnte, entsprechend einer Studie am 30. Januar, die in der Radiologie veröffentlicht wurde: Künstliche Intelligenz. Die Methode ist möglicherweise nachweisbarer als traditionelles CNNs.
{{{sourceTextContent.description}}}
Frühere Studien haben, dass CNNs Brüche auf Röntgenbildern ermitteln kann, schrieben ersten Autor Yee Liang Thian, MD, der nationalen Universität von Singapur und von Kollegen gezeigt, aber diese Methoden konzentrieren sich auf die Klassifizierung von Bildern entweder als Brüche oder Nichtbrüche ohne Lokolisierungskomponente. Diese breite Klassifikation macht es hart, damit Kliniker Ergebnisse überprüfen.
„Die Aufgabe der Gegenstandentdeckung bezieht zwei grundlegende Fragen über ein Bild mit ein: welcher Gegenstand in ihm ist und wo er innerhalb des Bildes ist,“ Thian fügte et al. hinzu. „Dieses ist im Gegensatz zu den früheren Studien, die das tiefe Lernen mit einbeziehen, das Bruchentdeckung als Bildklassifikationsproblem sich näherte, das beschreibt, was im Bild ist, aber nicht wo es ist.“
Die Autoren extrahierten mehr als 7.300 Handgelenkröntgenbilder von einem Krankenhaus PACS, und Radiologen kommentierten alle Radius- und Ellenbrüche. Neunzig Prozent der Daten wurde verwendet, um das Modell auszubilden, 10 Prozent der Bilder wurden gespeichert für Bestätigung.
Gesamt-, das Modell ermittelt und richtig lokalisiert 91 Prozent (310/340 Bilder) und 96 Prozent (236/245 Bilder) aller Radius- und Ellenbrüche auf der Stirnseite und den Seitenansichten, beziehungsweise. Auf einer Probildbasis erzielte das CNN eine Empfindlichkeit, eine Besonderheit und ein AUC von 96 Prozent, 83 Prozent und 0,92, beziehungsweise für die Frontansicht. Für die Seitenansichten waren jene Zahlen 97 Prozent, 86 Prozent und 0,93, beziehungsweise. Die Prostudie Empfindlichkeit, die Besonderheit und die AUC waren 98 Prozent, 73 Prozent und 0,89, beziehungsweise.
„Das Gegenstandentdeckungsnetz, das in unserer Studie benutzt wird, liefert Klassifikation sowie schrieben räumliche Lokolisierungsinformationen, die informativer als ein einzelner Klassifikationsaufkleber und leicht nachweisbar durch den Kliniker ist,“ die Autoren. „Solche Standortinformationen würden nützlich sein, wenn man entwickelte tiefe lernende klinische Algorithmen, um Radiologen beim Bericht zu helfen.“
Thian und Kollegen berichteten, dass ihr Netz falsch-positive Aufkleber auf alten Brüchen machte, oder Missbildungen, die sie glaubten, zeigte, um in gelehrten Eigenschaften von akuten Brüchen zu überschneiden. Trotz dieses schrieb die Gruppe sie demonstrierte die Möglichkeit ihres Gegenstandentdeckungsnetzes, die möglicherweise ein wichtiges Sprungbrett für zukünftige AI-Entwicklung zur Verfügung stellt.
„Die Fähigkeit, Standortinformationen der Abweichung mit tiefen neuralen Netzen vorauszusagen ist ein wichtiger Schritt in Richtung zu nützliche Werkzeuge der künstlichen Intelligenz klinisch entwickeln, um den berichtenden Radiologen zu vergrößern,“ schlossen die Autoren.