基于深度学习的临床放射图像自动肩部骨折检测集成系统-计算机科学-深度学习-医学图像.pdf

基于深度学习的临床放射图像自动肩部骨折检测集

成系统

HemanthKumarM,KarthikaM,SaianiruthM,

Dr.VasanthakumarVenugopal,AnandakumarD,

RevathiEzhumalai,CharulathaK,KishoreKumarJ,

DayanaG,KalyanSivasailam,BargavaSubramanian

本

译

中摘要

1

v

8背景：肩部骨折经常被漏诊，特别是在急诊和高工作量的临床环境中。研究报道放射科医

0

4生可能遗漏高达10%的此类骨折。基于人工智能的工具提供了一种可扩展的方法来辅助早

3期检测并减少诊断延迟。我们通过专门针对肩部X光片的人工智能系统来解决这一问题。

1

.

7

0方法：我们开发了一个多模型深度学习系统，使用了约10,000张注释过的肩部X光片。

5

2架构包括FasterR-CNN（ResNet50-FPN、ResNeXt）、EfficientDet和RF-DETR。为了增

:

v

i强检测效果，我们应用了边界框和分类级集成技术，如Soft-NMS、WBF和NMW融合。

x

r

a

结果：NMW集合达到了95.5%的准确率和0.9610的F1分数，在所有关键指标上都优

于单个模型。它展示了强大的召回能力和定位精度，证实了其在肩部X光片骨折检测中的

有效性。

结论：结果表明基于集成的AI能够可靠地检测放射图像中的肩部骨折，具有高度的临床

相关性。该模型的准确性和部署准备情况使其非常适合整合到实时诊断工作流程中。当前

模型仅限于二元骨折检测，反映了其设计用于快速筛查和分诊支持而非详细的骨科分类。

1

介绍

肩部骨折是肌肉骨骼损伤的一个重要亚群，在急诊科和创伤护理单元中常见。尽管放

射摄影作为一线成像方式被广泛使用，但细微或轻微移位的骨折往往会被漏诊——尤其是

在夜班或资源有限的情况下[1]。临床文献表明，放射科医生在初次审查时可能会遗漏1%

到10%的骨折，肩部和锁骨骨折是最常被忽视的类型之一[2]。

近期的深度学习进展已经显示出在通过实时自动化检测骨骼异常来增强放射学工作流

程方面的巨大潜力。然而，大多数商业和研究级别的AI工具主要集中在一般肢体骨折或如

胸部或脊柱X光片这样的大型数据集上，相比之下，肩部特异性骨折检测领域相对较少被

探索。此外，许多现有的系统本质上是黑盒模型，缺乏透明度、可解释性或适用于多视角

或多模型集成的灵活性[3]。

在这项工作中，我们介绍了一个专门用于肩部X光片二分类（骨折与非骨折）的深度学

习系统。该系统利用高性能目标检测模型包括FasterR-CNN、EfficientDet和RF-DETR，

并采用集成策略以最大化灵敏度，特别是在细微骨折场景中[4]。鉴于急诊环境中紧迫性和

高吞吐量的要求，该系统优先进行二分类检测，以便简化临床决策并减少诊断延迟[5]。

相关工作

利用深度学习进行自动骨折检测在近年来获得了快速发展，有多项研究调查了在不同

解剖部位使用目标检测和分类模型的应用。在基础方法中，Ahamed等人（2025）使用一个

定制的肩部X光数据集开发了一个基于ResNeXt-101FPN骨干网络[6]的FasterR-CNN

管道。他们的结果显示了良好的性能，在不同IoU阈值下达到了平均精度(AP)为18.9%，

超越了标准ResNet-50FPN模型在细微骨折检测上的表现。然而，该模型是在相对较小的

数据集（约2,000张图像）上训练的，并且缺乏外部验证，限制了其泛化能力[7]。

Tamang等人。(2024)将骨折检测的工作扩展到四肢和肩膀的多视角X光图像，使用

了一种结合了YOLOv8和FasterR-CNN的混合管道。尽管YOLO的使用实现了实时检

测并提高了吞吐量，但所使用的数据集不是特定于肩膀的，并且缺乏视图一致性机制限制

了解释性