解剖学报

作者：何学才,金倞,李铭,章琛曦

单位：1.复旦大学基础医学院数字医学研究中心，上海 200032; 2.上海市医学图像处理与计算机辅助手术重点实验室，上海 200032; 3.复旦大学附属华东医院放射科，上海 200040

关键词：深度学习, 肋骨, 骨折, 目标检测, 集成检测网络, 完全框融合, 分割, 算法, 人

基金：上海市“科技创新行动计划”项目

目的 提出一种新型的肋骨骨折检测网络Rib-Net，探讨其进行肋骨骨折检测的可行性与准确性，以减少骨折漏诊案例。： 方法 采用公开数据集RibFrac Dataset，其数据集划分为训练集（420例）、验证集（80例）及测试集（160例）。Rib-Net由目标检测集成网络ED-Net、完全候选框融合算法（CBF）与分割模型3D Unet构成。首先，集成Retina Unet、UFRCNN+与Mask RCNN组成ED-Net，预测肋骨骨折候选框；其次，设计全新的CBF，融合存在重叠的骨折候选框，生成定位精准、置信度准确的候选框；最后，利用Unet对肋骨骨折进行分割，实现肋骨骨折的进一步精确定位。： 结果 在“MICCAI 2020 RibFrac Challenge: Rib Fracture Detection and Classification”挑战赛平台上，Rib-Net检测结果达到了最优成绩，其召回率、无限制接受者操作特性曲线（FROC）值及Dice相似指数分别为92.3%，0.859和0.61。： 结论 Rib-Net网络可高效精准地对胸部CT影像进行肋骨骨折检测定位，有效协助医生做出准确诊断。

来源：2022年第3期

《解剖学报》期刊编辑部

查看解剖学报杂志2022年第3期