目的采用深度迁移学习方法实现基于正位X线图像的股骨头坏死(osteonecrosis of femoral head,ONFH)、发育性髋关节发育不良(developmental dysplasia of hip,DDH)与其他常见髋关节疾病的鉴别诊断。方法回顾性收集2018年1月至2020年12月...目的采用深度迁移学习方法实现基于正位X线图像的股骨头坏死(osteonecrosis of femoral head,ONFH)、发育性髋关节发育不良(developmental dysplasia of hip,DDH)与其他常见髋关节疾病的鉴别诊断。方法回顾性收集2018年1月至2020年12月在广州中医药大学第一附属医院就诊的ONFH、DDH及原发性髋关节骨关节炎、非感染性炎性髋关节病、股骨颈骨折等髋关节疾病患者的髋关节正位X线图像,建立临床数据集。通过图像旋转、翻转形式的数据增强方法扩展数据集,然后将数据集随机平分为训练集和测试集。将可迁移归一化技术引入ResNet-152深层神经网络模型,替换原有的批归一化技术,建立新的深度迁移学习模型。通过训练集训练该模型,随后评价该模型在测试集基于髋关节正位X线图像实现人工智能区分ONFH、DDH及其他髋关节疾病的效果。结果临床数据集共纳入1024髋的正位X线图像,共计542髋ONFH、296髋DDH、186髋其他髋关节疾病(原发性骨关节炎56髋、非感染性炎性髋关节病85髋、股骨颈骨折45髋)。通过数据增强方法扩展为包含6144髋的数据集。在训练集上对深度迁移学习模型进行100050次训练。该模型区分ONFH及其他髋关节疾病的二分类准确率最佳值达95.80%,区分ONFH、DDH及其他髋关节疾病的三分类准确率最佳值达91.40%。模型重复训练至50000次后分类准确率达到平台期。二分类及三分类任务平台期的准确率平均为95.35%[95%CI(95.33%,95.37%)]和90.85%[95%CI(90.82%,90.87%)]。结论深度迁移学习模型在初诊环节,可基于简便、经济的正位X线图像区分ONFH、DDH与其他的常见髋关节疾病。展开更多
文摘目的采用深度迁移学习方法实现基于正位X线图像的股骨头坏死(osteonecrosis of femoral head,ONFH)、发育性髋关节发育不良(developmental dysplasia of hip,DDH)与其他常见髋关节疾病的鉴别诊断。方法回顾性收集2018年1月至2020年12月在广州中医药大学第一附属医院就诊的ONFH、DDH及原发性髋关节骨关节炎、非感染性炎性髋关节病、股骨颈骨折等髋关节疾病患者的髋关节正位X线图像,建立临床数据集。通过图像旋转、翻转形式的数据增强方法扩展数据集,然后将数据集随机平分为训练集和测试集。将可迁移归一化技术引入ResNet-152深层神经网络模型,替换原有的批归一化技术,建立新的深度迁移学习模型。通过训练集训练该模型,随后评价该模型在测试集基于髋关节正位X线图像实现人工智能区分ONFH、DDH及其他髋关节疾病的效果。结果临床数据集共纳入1024髋的正位X线图像,共计542髋ONFH、296髋DDH、186髋其他髋关节疾病(原发性骨关节炎56髋、非感染性炎性髋关节病85髋、股骨颈骨折45髋)。通过数据增强方法扩展为包含6144髋的数据集。在训练集上对深度迁移学习模型进行100050次训练。该模型区分ONFH及其他髋关节疾病的二分类准确率最佳值达95.80%,区分ONFH、DDH及其他髋关节疾病的三分类准确率最佳值达91.40%。模型重复训练至50000次后分类准确率达到平台期。二分类及三分类任务平台期的准确率平均为95.35%[95%CI(95.33%,95.37%)]和90.85%[95%CI(90.82%,90.87%)]。结论深度迁移学习模型在初诊环节,可基于简便、经济的正位X线图像区分ONFH、DDH与其他的常见髋关节疾病。
