基于深度学习的CT图像颈椎骨折检测与定位

《Scientific Reports》：Deep learning-based detection and localization of cervical vertebral fractures from CT images

　　

摘要

颈椎病是指颈椎的骨折及退化，从而导致颈部酸痛和僵硬等症状。及时发现并诊断颈椎骨折至关重要，尤其是在老年人中，由于退行性疾病和骨质疏松，颈椎骨折可能较难识别。传统成像方法在检测细微裂纹方面存在局限，而深度学习领域的最新进展则为解决这一问题提供了希望。在本研究中，采用了卷积神经网络（CNN）、Fast R-CNN以及Alex-Net、EfficientB6等迁移学习模型，用于预测、分类并精确定位椎体骨折的位置。与传统的X光检查相比，计算机断层扫描（CT）在成人脊柱骨折成像方面取得了显著提升。研究结果充分展示了所提出模型的有效性：CNN的准确率为90.2%，Alex-Net的准确率为93.7%，而Efficient Net B6的准确率高达97.34%，表现最佳。分类性能通过准确率、灵敏度、特异性、精确度、召回率、F1值、混淆矩阵分析以及AUC-ROC指标进行评估。在更精准地定位骨折部位方面，YOLOV5也展现了良好的效果，其准确率为93.84%。这些结果表明，利用深度学习模型在CT图像中检测和定位颈椎骨折是可行的。尤其是EfficientB6和YOLOV5，似乎是最适合精准标注骨折位置的候选模型，这一发现有望为及时开展有效的临床治疗提供帮助。