.png){kind=icon}
返回
Automatic rib fracture detection on postmortem CT data using deep learning
.png){kind=icon}
OA
AI
DOI：10.1007/s00414-025-03669-x.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
研究目的：评估现有深度学习（DL）模型nnDetection在死后（PM）CT扫描数据集中的自动肋骨骨折检测性能，并识别临床与PM CT影像之间域漂移的主要因素。
背景：在法医学调查中，肋骨骨折的检测与分类是一项耗时但至关重要的任务，有助于确定死亡原因。DL模型是很有前景的工具，近期研究表明，使用DL模型的放射科医生可在临床CT扫描中以更高的敏感度和更短时间检测肋骨骨折。
方法：回顾性收集并标注了50例PMCT扫描数据（女性24%；年龄：平均61岁，范围19—96岁），用于训练模型的第一实例nnDetPM。模型的另一实例nnDetClin则基于另一数据集RibFrac（660例临床CT扫描，女性36%；年龄：平均55岁，范围21—94岁）进行训练。
结果：在PM测试集中，nnDetPM达到平均敏感度70.2%和平均精确度（交并比为0.1时）78.1%，而nnDetClin表现显著落后，平均敏感度仅19.8%，平均精确度25.5%，表明从临床到PM CT数据的域漂移产生了显著影响。结果进一步分析显示，域漂移的主要因素为PMCT扫描中手臂的位置以及图像采集区域内医疗设备的存在。
结论：nnDetPM的平均敏感度达到70.2%，性能值得注意且与放射科医生相当。然而，必须探索更先进的技术，以判断DL模型能否克服域漂移因素。
Keyword:
Rib
Fracture
Detection
CT
Postmortem
Deep learning
期刊
I
IF:
2.3
论文数:
256
被引数:
6.5K
机构
引用论文
How scan parameter choice affects deep learning-based coronary artery disease assessment from computed tomography.png)
SCIENTIFIC REPORTS
OAAI
SCIENTIFIC REPORTSIF3.9
OAAI分享收藏Diagnostic value and limitations of CT in detecting rib fractures and analysis of missed rib fractures: a study based on early CT and follow-up CT as the reference standardCT在肋骨骨折检测中的诊断价值与局限性及漏诊肋骨骨折的分析：一项以早期CT和随访CT为参考标准的研究OAAI
OAAI分享收藏Deep-learning-assisted detection and segmentation of rib fractures from CT scans: Development and validation of FracNetEBIOMEDICINEOAAI
EBIOMEDICINEIF10.8
OAAI分享收藏
查看更多内容