目的以股骨转子间骨折数据集为研究对象,探究医用X线图像输入分辨率的改变对YOLO系列目标检测网络识别效果的影响。方法收集陆军特色医学中心2017-2022年间患转子间骨折患者的X线正位数据,按排除标准排除后共保留426例患者,847幅图像。...目的以股骨转子间骨折数据集为研究对象,探究医用X线图像输入分辨率的改变对YOLO系列目标检测网络识别效果的影响。方法收集陆军特色医学中心2017-2022年间患转子间骨折患者的X线正位数据,按排除标准排除后共保留426例患者,847幅图像。结合2018版Arbeitsgemeinschaft für Osteosynthesefragen/Orthopaedic Trauma Association(AO/OTA)分型指南和临床实际发病率,将转子间骨折重新整理划分为A1.2、A1.3、A2.2、A2.3、A3等5个亚组,并按8∶1∶1的比例划分为训练集(678幅)、验证集(84幅)和测试集(85幅),每次试验中保持严格一致。将YOLOX-Swin-Transformer、YOLOX、YOLOv5、YOLOv4目标识别网络图像输入大小分别设置为8种常用的分辨率,使用从头训练和迁移学习方法分别训练转子间骨折数据集,记录训练耗时,利用测试集进行模型测试并记录评价指标。采用SPSS20.0统计软件回归分析对训练耗时和均值平均精度(mean average precision,mAP)做曲线拟合,利用频数统计功能对各输入分辨率下评价指标评级为优的频数进行统计,以此判断最优区间。结果图像输入分辨率与各网络训练耗时呈正相关,所有P<0.05,线性回归分析有统计学意义。图像输入分辨率与网络mAP均值二次曲线拟合R^(2)=0.834,P=0.011,说明曲线拟合优度较好,回归分析有统计学意义。当图像输入分辨率在480×480、576×576、640×640范围内时,数据评级为优出现的频率最高(占42.86%)。结论训练耗时随分辨率的增加而增加。在不改变网络结构的前提下采用YOLO系列网络做医学图像识别的下游任务时,要取得最佳的识别效果,图像输入分辨率应控制在480×480、576×576、640×640范围之内。展开更多
文摘目的探讨术前磁共振成像(magnetic resonance imaging,MRI)瘤周2 cm水肿带的表观扩散系数(apparent diffusion coefficient,ADC)灰度直方图对分析IDH野生型胶质母细胞瘤(glioblastoma,GB)术后空间复发模式的预测价值。方法采用病例-对照研究设计方案,分析陆军特色医学中心神经外科2012年1月至2021年12月采用标准方案治疗且术后定期MRI随访的50例复发性IDH野生型GB患者的影像资料。以复发灶距术腔边缘距离是否>2 cm为标准,根据术后空间复发模式分为原位复发组(n=28)和非原位复发组(n=22)。选取术前轴位MRI增强图像上肿瘤强化最大层面对应的ADC图像层面,采用Mazda软件沿瘤周水肿2 cm范围边缘勾画提取感兴趣区(region of interest,ROI)进行灰度直方图分析,对提取的特征参数进行统计学分析并应用受试者工作特征曲线计算曲线下面积(area under the curve,AUC),评估其诊断效能。结果原位复发组无进展生存期(progression-free survival,PFS)及总生存期(overall survival,OS)均长于非原位复发组(中位PFS:6.6 vs 4.6个月;中位OS:15.4 vs 12.4个月),差异均有统计学意义(PFS:log-rank χ^(2)=4.325,P=0.038;OS:log-rank χ^(2)=4.022,P=0.045)。在ADC灰度直方图提取的9个特征参数中,两组间方差、峰度、第90百分位数的差异有统计学意义(P<0.05)。以方差鉴别不同空间复发模式的诊断效能最佳(AUC:0.804,敏感度:75.00%,特异度:81.82%)。在基于方差、峰度、第90百分位数两两或3个参数联合构建的4种多因素Logistic回归模型中,以3个参数联合构建的模型诊断效能最佳(AUC:0.878,敏感度:78.57%,特异度:86.36%)。结论术前MRI瘤周2 cm水肿带的ADC灰度直方图特征参数可作为预测IDH野生型GB患者术后不同空间复发模式的影像学标记。
文摘目的以股骨转子间骨折数据集为研究对象,探究医用X线图像输入分辨率的改变对YOLO系列目标检测网络识别效果的影响。方法收集陆军特色医学中心2017-2022年间患转子间骨折患者的X线正位数据,按排除标准排除后共保留426例患者,847幅图像。结合2018版Arbeitsgemeinschaft für Osteosynthesefragen/Orthopaedic Trauma Association(AO/OTA)分型指南和临床实际发病率,将转子间骨折重新整理划分为A1.2、A1.3、A2.2、A2.3、A3等5个亚组,并按8∶1∶1的比例划分为训练集(678幅)、验证集(84幅)和测试集(85幅),每次试验中保持严格一致。将YOLOX-Swin-Transformer、YOLOX、YOLOv5、YOLOv4目标识别网络图像输入大小分别设置为8种常用的分辨率,使用从头训练和迁移学习方法分别训练转子间骨折数据集,记录训练耗时,利用测试集进行模型测试并记录评价指标。采用SPSS20.0统计软件回归分析对训练耗时和均值平均精度(mean average precision,mAP)做曲线拟合,利用频数统计功能对各输入分辨率下评价指标评级为优的频数进行统计,以此判断最优区间。结果图像输入分辨率与各网络训练耗时呈正相关,所有P<0.05,线性回归分析有统计学意义。图像输入分辨率与网络mAP均值二次曲线拟合R^(2)=0.834,P=0.011,说明曲线拟合优度较好,回归分析有统计学意义。当图像输入分辨率在480×480、576×576、640×640范围内时,数据评级为优出现的频率最高(占42.86%)。结论训练耗时随分辨率的增加而增加。在不改变网络结构的前提下采用YOLO系列网络做医学图像识别的下游任务时,要取得最佳的识别效果,图像输入分辨率应控制在480×480、576×576、640×640范围之内。
