Deep learning-based computed tomography applied to the diagnosis of rib fractures

Deep learning-based computed tomography applied to the diagnosis of rib fractures

Zhen-wei Lin 1, Wei-li Dai 1, Qing-Quan Lai **, Hong Wu *

Department of CT/MRI, The Second Affiliated Hospital of Fujian Medical University, Quanzhou, 36

Journal of Radiation Research and Applied Sciences 16 (2023)

目的: CT 画像における肋骨骨折欠陥診断の効率を改善するために、深層学習法を使用する可能性を探ること。

方法：本研究では、胸部外傷により外来および救急部門に入院した 2622 人の患者の胸部 CT 画像を遡及的に分析した。 CT 画像は、主要な特徴抽出のために HourglassNet に送られ、次にマルチスケールの特徴抽出のために Inception に送られ、最後に異なるスケールの特徴が再結合されてから、深層畳み込みニューラル ネットワーク (DCNN) モデルがインポートされます。 モデルは、破壊欠陥を 5 つの一般的なカテゴリに分類することによってトレーニングされ、前処理された画像を入力した後、DCNN ネットワーク構造が欠陥位置を出力します。

結果: 350 のテスト セットの胸部 CT 画像で合計 997 の肋骨骨折が見つかり、DCNN モデルでは 24 の偽陽性ケースと 64 の偽陰性ケースが見つかりました。 下級医師による肋骨骨折の診断の精度 (93.2%) は、DCNN モデル (95.6%) よりも低かった 。DCNN モデルの助けを借りて、下級医師の診断の精度が向上しました (94.9%)。 DCNNモデルとDCNNモデルによって支援された低位の医師の診断の精度（95.5％）との間に有意差はありませんでした（94.9％）。 下位の医師が肋骨骨折を診断するための再現率 (83.8%) は、DCNN モデル (91.1%) よりも低く、医師の診断に関する再現率は、DCNN モデルの助けを借りて有意に高かった (93.8%)。下級医師の平均診断時間は (156.0 ± 31.6) 秒でしたが、DCNN モデルでの肋骨骨折の診断はわずか (4.9 ± 1.5) 秒でした。DCNN モデルの支援を受けた医師の診断時間は、 (41.3 ± 7.2) 秒に短縮されます。

結論: HourglassNet と Inception 機能によって CT 画像が抽出された後、DCNN モデルに入力されます。 DCNN モデルは、胸部 CT 画像で肋骨骨折を正確に特定して診断できるため、診断時間が大幅に短縮され、診断の見逃しや誤診の割合が減少します。 深層学習により、胸部 CT 画像の肋骨骨折欠陥の診断効率を向上させることが可能になります。

Objective: To explore the feasibility of using deep learning method to improve the efficiency of rib fracture defect diagnosis in CT images.

Methods: This study retrospective analysis of chest CT images of 2622 patients who were admitted to the outpatient and emergency departments due to chest trauma. The CT image is fed into HourglassNet for primary feature extraction, then into Inception for multi-scale feature extraction, and finally the different scale features are recombined, and then the deep convolutional neural networks (DCNN) model is imported. The model is trained by dividing fracture defects into 5 common categories, and after entering the pre-processed images, the DCNN network structure outputs the defect locations.

Results: A total of 997 rib fractures were found in 350 test set chest CT images, with 24 false-positive cases and 64 false-negative cases in the DCNN model. The accuracy of the diagnosis of rib fractures by low-senior physicians (93.2%) was lower than that of the DCNN model (95.6%) With the assistance of the DCNN model, the accuracy of the diagnosis of low-senior physicians increased (94.9%), and there was no significant difference (94.9%) be-tween the DCNN model and the accuracy of the diagnosis of the low-senior physicians assisted by the DCNN model (95.5%). The recall rate (83.8%) for low-senior physicians to diagnose rib fractures was lower than that in the DCNN model (91.1%), and the recall rate for physician diagnosis was significantly higher (93.8%) with the assistance of the DCNN model. The average diagnostic time for low-senior physicians was (156.0 ± 31.6)s, while the diagnosis of rib fractures in the DCNN model was only (4.9 ± 1.5) s, and the diagnostic time for physicians with the assistance of the DCNN model could be shortened to (41.3 ± 7.2) s.

Conclusion: After the CT image is extracted by HourglassNet and Inception features, it is fed into the DCNN model. The DCNN model can accurately locate and diagnose rib fractures on chest CT images, significantly shortening the diagnostic time and reducing the rate of missed diagnosis and misdiagnosis. Deep learning makes it feasible to improve the efficiency of diagnosing rib fracture defects in chest CT images.