使用检测Transformer变体在手腕与手部X光片中进行骨折检测与定位

背景：利用X光片准确诊断手腕和手部骨折在急诊护理中至关重要，但人工判读速度慢且容易出错。基于Transformer的模型在改善医学图像分析方面展现出潜力，但其在四肢骨折中的应用有限。本研究通过将目标检测Transformer应用于手腕和手部X光片来填补这一空白。方法：我们使用一个包含超过26,000张来自专有临床数据集的标注X光片，对在COCO上预训练的RT-DETR和Co-DETR模型进行了微调。每张图像都标注了骨折存在情况及边界框。我们训练了一个ResNet-50分类器，对裁剪区域进行精细的异常分类，并采用监督对比学习来增强嵌入质量。性能评估使用AP@50、精确率和召回率指标，并在真实世界X光片上进行了额外测试。结果：RT-DETR表现中等（AP@50 = 0.39），而Co-DETR以0.615的AP@50和更快的收敛速度胜出。集成流水线在真实世界X光片上取得了83.1%的准确率、85.1%的精确率和96.4%的召回率，展示了跨13种骨折类型的强大泛化能力。视觉检查证实了定位的准确性。结论：我们基于Co-DETR的流水线在手腕和手部骨折检测中展示了高准确率和临床相关性，提供了可靠的定位和骨折类型区分。该流水线可扩展、高效，适用于医院工作流程中的实时部署，从而提高了肌骨放射学中的诊断速度和可靠性。