一种用于远端桡骨X线片视图分类的计算机视觉与机器学习方法

计算机视觉和机器学习的最新进展显著提升了分析骨科X线片的能力，骨科X线片是医学诊断中的重要工具。尽管技术取得了长足进步，但一个常被忽视却至关重要的步骤是精确分类X线片视图及定位相关解剖区域。这些因素对后续诊断模型的有效性至关重要，尤其是在准确检测骨折方面。\n\n本研究引入了一种基于深度学习的目标检测模型，配合移动应用，旨在将远端桡骨X线片分类为三种标准视图：前后位（AP）、侧位（LAT）和斜位（OB）。在完成视图分类的同时，模型还定位了与远端桡骨骨折最相关的关键解剖区域。数据集包含1593张匿名X线片，采集自2021年至2023年间的单一机构，三种视图类别分布较为均匀：544张AP，538张LAT，521张OB。\n\n每张图像的标注通过Labellerr软件精心完成，绘制了从第二指掌指关节（MCP）到桡骨远端三分之一的边界框。这些标注由经验丰富的骨科医生验证，以确保准确性和临床相关性。基于此标注数据集，采用YOLOv5目标检测模型进行微调和训练，训练/验证/测试集比例为70/15/15。\n\n最终模型表现出色，总体准确率达到97.3%。具体分类准确率分别为：AP视图99%，LAT视图100%，OB视图93%。精确率和召回率同样较高，分别为96.8%和97.5%。统计分析确认模型性能显著优于随机猜测（p < 0.001，二项检验）。\n\n为促进临床应用，开发了基于Streamlit的用户友好型移动应用，便于在医疗环境中部署。该自动分类工具通过仅隔离X线片中相关解剖区域，减少了特征空间。这种聚焦方法有望通过减少无关解剖结构的干扰，提高后续骨折分类模型的准确性。\n\n总之，本研究展示了一种实用且高性能的远端桡骨X线片自动视图分类与解剖定位解决方案。通过将后续诊断集中于正确识别和定位的区域，该方法有望提升骨折检测效果和患者预后，标志着计算机辅助骨科影像领域的重要贡献。