获取途径

作者

郑荣伟 张业勇 王功腾 刘庆胜 王胜利 马彦超 孙华强 于观贞 李树锋

作者单位

山东第一医科大学第一附属医院（山东省千佛山医院）骨外科 山东省风湿免疫病转化医学重点实验室 山东大学齐鲁医院放射科 山东第一医科大学(山东省医学科学院)临床医学院 浙江省数字内容研究院 数字健康与人工智能实验室 汶上县人民医院骨外科 济宁市第一人民医院骨外科

刊名

医学影像学杂志

年份

2026

卷号

第1期

ISSN

1006-9011

关键词

X线摄影 髋关节发育不良 深度学习 分类模型

分类号

R814;R684

摘要

目的 研发基于髋关节X 线片深度学习的髋关节发育不良分类系统，并验证其诊断性能。方法 收集529 张髋关节X 线片，根据髋臼发育程度将其分为正常组110 张和DDH 组419 张，DDH 组按照Hartofilakidis 分型分为Ⅰ型237 例、Ⅱ型112 例、Ⅲ型70 例。设计一种DDH 分类系统，先将图像分类为髋关节发育正常和DDH 图像，然后从DDH 图像中判断DDHⅢ型和非Ⅲ型图像，再从非DDHⅢ型图像中判断DDHⅠ型和Ⅱ型图像。采用DenseNet 模型训练和识别X 线片来诊断DDH 类型，同时定义了一个新的通过定位关键点来诊断DDHⅢ型的方法。训练后的模型用于测试集评估，并给出每个图像分类结果的概率值。最终选择6 个模型训练，并在测试集上评估性能，以找到最适合的模型。结果 对于髋关节发育正常与DDH 的分类，DenseNet 在测试集中的特异度、灵敏度分别为98.7%、97.8%，阳性预测值、阴性预测值分别为98.7%、97.8%。DenseNet 在DDH Ⅲ型的特异度、灵敏度分别为90.0%、87.0%，阳性预测值、阴性预测值分别为89.7%、87.4%。对于DDHⅠ...更多

目的 研发基于髋关节X 线片深度学习的髋关节发育不良分类系统，并验证其诊断性能。方法 收集529 张髋关节X 线片，根据髋臼发育程度将其分为正常组110 张和DDH 组419 张，DDH 组按照Hartofilakidis 分型分为Ⅰ型237 例、Ⅱ型112 例、Ⅲ型70 例。设计一种DDH 分类系统，先将图像分类为髋关节发育正常和DDH 图像，然后从DDH 图像中判断DDHⅢ型和非Ⅲ型图像，再从非DDHⅢ型图像中判断DDHⅠ型和Ⅱ型图像。采用DenseNet 模型训练和识别X 线片来诊断DDH 类型，同时定义了一个新的通过定位关键点来诊断DDHⅢ型的方法。训练后的模型用于测试集评估，并给出每个图像分类结果的概率值。最终选择6 个模型训练，并在测试集上评估性能，以找到最适合的模型。结果 对于髋关节发育正常与DDH 的分类，DenseNet 在测试集中的特异度、灵敏度分别为98.7%、97.8%，阳性预测值、阴性预测值分别为98.7%、97.8%。DenseNet 在DDH Ⅲ型的特异度、灵敏度分别为90.0%、87.0%，阳性预测值、阴性预测值分别为89.7%、87.4%。对于DDHⅠ型和Ⅱ型，DenseNet 特异度、灵敏度分别为90.4%、86.7%，阳性预测值、阴性预测值分别为90%、87.1%。结论 DL 算法通过识别髋关节X 线片来诊断DDH 并对其分型具有较高的准确率，可达到专业医师水平。收起

基金

山东省自然科学基金

文献类型

期刊