| 探讨基于卷积神经网络对颅底骨折CT图像精准诊断的应用价值 |
| |
| 引用本文： | 黄冬云, 夏军, 林煜文, 陈家宽, 陈海斌. 探讨基于卷积神经网络对颅底骨折CT图像精准诊断的应用价值[J]. CT理论与应用研究, 2021, 30(6): 769-776. DOI: 10.15953/j.1004-4140.2021.30.06.13 |
| |
| 作者姓名： | 黄冬云 夏军 林煜文 陈家宽 陈海斌 |
| |
| 作者单位： | 1.1. 深圳市龙岗区第二人医院医学影像科, 广州医科大学研究生院, 广东 深圳 518001 |
| |
| 基金项目： | 深圳市龙岗区医疗卫生科技计划项目（基于RefineNet卷积神经网络对CT颅底骨折精准诊断的应用价值（LGKCYLWS2019000384））。 |
| |
| 摘 要： | 
目的：探讨卷积神经网络（CNN）在颅底骨折CT诊断的应用价值。方法：回顾性搜集3 100例颅底骨折患者及2 467例正常患者的颅骨CT图像数据,经纳排标准筛选,最终选用2 488例颅底骨折及1 628例正常患者的颅底CT图像数据。对CT图像进行骨折标注后,随机分配训练集和测试集后。通过CNN构建颅骨区域识别算法模型和颅骨骨折检测算法模型,随后在测试中以颅底骨折区域识别和头颅骨折、颅底骨折对模型进行验证,验证指标为精准率（precision）、召回率（recall）、平均诊断耗时;与人工组（低年资放射科医师）测试进行诊断效能对比。结果：通过CNN运算获得的稳定模型后进行测试对比,结果显示全颅底区域骨折、前、中、后颅底骨折精准度均<0.5,低于人工组（均>0.63）;召回率>0.89,均优于人工组（均<0.8）;平均诊断时间为（3.12±2.67）s,明显少于人工组诊断时间。分别在颅底骨折区域测试中,精准度率：前颅底>中颅底>后颅底,召回率：中颅底>后颅底>前颅底。结论：基于CNN颅底骨折算法模型对于颅脑外伤患者CT诊断颅底骨折在召回率、诊断耗时均优于人工测试结果,在辅助临床诊断、降低漏诊及诊断耗时方面具有一定的价值。
|
| 关 键 词： | 卷积神经网络 TinyNet 颅底骨折 CT 深度学习 |
| 收稿时间： | 2021-05-30 |
|
| 点击此处可从《CT理论与应用研究（中英文）》浏览原始摘要信息 |
|
点击此处可从《CT理论与应用研究（中英文）》下载全文 |
|
