基于整张手腕部DR影像深度学习特征的人工智能骨龄评估方法

目的:探讨基于整张手腕部X线数字摄影(DR)影像深度学习特征的人工智能骨龄评估(AI-BAA)方法。方法:收集本院11858例0~18岁左手腕部骨龄DR图像数据,随机提取20%为验证集、80%为训练集,图像预处理后在resnet101基础上构建多模态信息融合的深度学习模型,优化算法以实现骨龄回归,并通过热力图实现数据模型可视化。另收集本院新近0~17岁1217例骨龄影像数据作为测试集,检验模型效能。采用平均绝对误差(MAE)和散点图评估模型骨龄预测的准确性。结果:模型骨龄预测值和儿科放射医师诊断结果的散点图呈一致性分布,MAE验证集0~18岁整体为(0.469±0.396)岁、男性为(0.453±0.396)岁、女性为(0.480±0.395)岁,测试集0~17岁整体为(0.459±0.371)岁,男性为(0.432±0.334)岁,女性为(0.511±0.429)岁。结论:基于整张手腕部DR影像高阶特征的AI-BAA模型提供了可靠的自动化骨龄检测方法。

基于医院RIS-PACS场景的人工智能骨龄检测系统集成技术与实现

目的探讨基于医院RIS-PACS网络和工作流的人工智能骨龄检测系统的集成方法与技术实现。方法基于Python flask web框架的http协议,通过调用、对接医院PACS、RIS接口,设计一种架构以实现自主研发的2套人工智能骨龄检测系统(CHBone AI 1.0/2.0)与PACS、RIS系统的集成。结果2套CHBone AI均成功嵌入式集成于医院网络及RIS-PACS平台,且稳步临床"并行运行"已近3年;在目前医院千兆网络条件下,临床每个病例骨龄AI检测整个流程不超过3 s。结论人工智能骨龄检测系统在医院RIS-PACS平台上集成与"并行运行"完成了I期构建,为系统自我进化及"替代运行"的Ⅱ期建设夯实了基础。

基于手腕部影像传统关注特征区域深度学习的人工智能骨龄评估

目的探讨基于手腕部影像传统关注区域深度学习特征的人工智能骨龄评估技术可行性及效果。方法选取11 858例本院0~18岁骨龄检测影像数据,随机分成训练集(80%)和验证集(20%),应用深度学习等方法构建基于传统关注的17个特征区域定位模型及骨龄回归模型;另选取本院近期1 229例骨龄影像作为测试集检测其效能。采用平均精度均值(mAP)及平均绝对误差(MAE)分别评价模型定位及骨龄预测的准确性。结果模型对17个特征区定位mAP为0.91,整体MAE验证集为0.461岁、测试集为0.431岁。测试集模型骨龄预测与医师读数相差1岁以内者占90.07%、准确率96.67%,差异较大者主要出现在相应年龄段训练集数据较少或拇收肌旁籽骨出现或骨骺融合年龄段中。结论基于手腕部DR影像传统关注区域深度学习模型,初步实现了快速、自动、有效地人工智能骨龄预测,但其技术仍需进一步优化。