基于深度学习的腕关节DR成像质控模型的研究与应用

Research and application of wrist joint DR imaging quality control model based on deep learning

二维码有效期 120s

摘要目的基于深度学习的方法建立腕关节直接数字平板X线成像系统(DR)自动质控模型生成系统,并对质控性能进行初步研究.方法采用人工智能深度学习的方法建立腕关节正位和侧位DR图像质控系统模型,回顾性收集重庆大学附属中心医院临床怀疑腕关节病变的1 315张图像,按6∶4的比例划分训练集和验证集.在MobileNet V2分类模型和Global Universal U-Net(GU2Net)关键点检测模型上进行训练,然后分别使用模型准确率、精准度、召回率和曲线下面积(AUC),以及平均径向误差(MRE)和成功检出率(SDR)进行评估.结果根据验证数据集的实验所得到的伪影分类模型在伪影识别方面具有较高的性能,AUC=0.970 1,95％可信区间(95％CI)0.970 0～0.970 3,其准确率、精准度、召回率分别为0.93、0.88和0.97.正位和侧位影像中关键点检测模型的 MRE也在合理水平,分别达到(0.794 4±3.253 5)mm和(3.813 4±7.408 7)mm.距离10.0 mm下正位和侧位关键点检测模型的SDR分别为99.64％、92.51％.结论基于深度卷积神经网络开发的全自动腕关节DR质控系统模型,能够对腕关节正位和侧位片自动生成图像质量控制报告,且效果较好.