9、骨骼肌肉X光片自动异常检测与基因突变检测方法探索

骨骼肌肉X光片自动异常检测与基因突变检测方法探索

骨骼肌肉X光片自动异常检测

相关研究工作

在骨骼异常检测和分类领域，已有众多研究成果。Pranav等人设计了169层的DenseNet架构，用于在MURA数据集中检测和定位异常，该模型的AUROC为0.929，Cohen’s kappa为0.70，灵敏度为0.815，特异度为0.887。Govind等人使用预训练网络DenseNet - 169、DenseNet - 201和InceptionResNetV2评估了在肱骨和手指类别上的性能。Anna等人开发了169层的卷积神经网络来计算MURA数据集各类别异常的百分比。Dennis和Peter开发的集成模型总体Cohen Kappa得分为0.66。A. F. M. SAIF等人提出了胶囊网络架构，在仅使用50%的MURA数据集训练时，其Kappa得分比169层的DenseNet模型高10%，达到0.705。Minliang He等人引入了由ConvNet、ResNet和DenseNet三个基线网络组成的新校准集成模型，在公开的MURA数据集上，该模型的准确率为0.87，AUC为0.93，Cohen’s kappa为0.74。不过，斯坦福ML小组仅提供了训练和验证数据集，研究论文中均未给出确切的测试数据集数量。