智能化婴儿髋关节发育性不良辅助筛查系统

髋关节发育性不良(developmental dysplasia of the hip,DDH)是常见的先天性关节疾病之一.目前临床上常采用Graf法对婴儿进行髋关节超声筛查,以提早发现病情,提高治愈率.Graf方法高度依赖标准切面的选取和关键解剖结构的识别,对医生的知识和经验要求较高.提出智能化婴儿DDH辅助筛查系统,建立自动化筛查流程,实现自动识别标准切面并测量发育指标α角和β角.标准切面自动识别模块基于少样本单类别分类(few-shot one-class classifier,FOC)的神经网络,通过自监督训练方式学习标准切面的特征信息,预测图像的标准化得分.α角和β角快速测量模块基于快速实例网络(fast instance network,FIN),通过高效的单阶段的网络架构和多任务学习模式,对标准切面实时测量并将结果可视化.分别通过自动识别标准切面和自动测量发育指标两类实验对所建立的辅助筛查系统进行验证.与单类别支持向量机、深度支持向量数据描述网络和Ganomaly网络相比,FOC方法的接受者操作特征曲线下面积达到76.43%,性能最优;与全卷积网络、Unet和deeplab V3相比,采用FIN模块测量的α角和β角的平均绝对误差分别为2.48°和4.38°,推理速度达到33.88帧/s,速度最快且性能最优.实验结果表明,该系统可降低对训练数据量的依赖,有助于提升DDH临床筛查的同质化水平,控制测量质量,提高临床筛查的工作效率.

我当了一回小演员

一天，爸爸下班带回来两张纸，叫我好好看一下，说第二天有人要到我们家来拍“微电影”。我拿起那两张纸认真地看了起来，原来是爸爸厂里要给劳模爸爸拍一部微电影，我是配角。

基于深度学习的人工智能测量婴儿非偏心型髋关节的研究

目的评估人工智能模型自动测量婴儿髋关节发育指标的临床应用价值。方法选取2019年1月至11月于广东省妇幼保健院超声科进行髋关节超声检查的婴儿231例(共462张标准髋关节图片),使用组内相关系数(ICC)、Deming回归对高年资医师与人工智能测量髋关节数据进行一致性分析,使用ICC对高年资医师、低年资医师、人工智能测量数据进行观察者间一致性分析,对高年资与低年资医师测量数据进行观察者内一致性分析。结果高年资医师与人工智能测量α角和β角的ICC分别为0.823、0.745;Deming回归斜率分别为0.856、1.205;回归残差图围绕参考线相对对称。高年资医师与低年资医师测量α角的ICC为0.77,β角的ICC为0.70;低年资医师与人工智能测量α角的ICC为0.79,β角的ICC为0.71;高年资医师与人工智能测量α角的ICC为0.87,β角的ICC为0.79。高年资医师测量2次α角的ICC为0.89,β角的ICC为0.84;低年资医师测量2次α角的ICC为0.88,β角的ICC为0.82。结论深度学习的人工智能模型测量髋关节数据与医师测量数据一致性好,且更接近高年资医师测量水平,可辅助超声医师进行临床早期筛查和诊断。