基于MobileTurkerNeXt模型的肩关节Bankart与SLAP损伤磁共振图像智能诊断研究

来自国际团队的研究人员针对肩关节Bankart和SLAP损伤的自动化诊断难题，开发了轻量化卷积神经网络MobileTurkerNeXt。该模型通过四阶段架构（包含创新性ConvNeXt/EfficientNet/ResNet混合模块）处理MR图像，在三类对比实验中分类准确率均超96%，为骨科影像分析提供了高效精准的AI解决方案。

　　

计算机视觉领域正被两大革命性方法重塑——Transformer和卷积神经网络(CNN)。这项研究提出专攻骨科影像的创新型移动架构MobileTurkerNeXt，能高效识别肩盂唇前下方撕裂(Bankart lesion)和上盂唇前后部撕裂(SLAP lesion)。团队收集两组磁共振(MR)影像数据集，构建仅含约100万可训练参数的轻量化模型。其四阶段架构颇具匠心：

• 特征提取阶段(stem)采用三层卷积打底
• 核心处理阶段(main)融合ConvNeXt的高效算子、EfficientNet的复合缩放策略及ResNet的残差连接
• 降采样阶段运用块状平均池化(patchify average pooling)与逐像素卷积精妙压缩空间维度
• 输出阶段经精密设计实现分类决策

在Bankart vs 正常、SLAP vs 正常、以及Bankart/SLAP/正常三分类对比中，模型测试准确率均突破96%大关。这些数据有力印证了MobileTurkerNeXt在区分肩关节病理性损伤与正常解剖结构方面的卓越性能，为临床MR影像的智能判读开辟了新途径。