基于定制卷积神经网络 (CNN) 和迁移学习模型的 X 光片骨折检测
计算机视觉与模式识别
2025-09-30 v2
摘要
骨折是全球范围内面临的重大健康挑战，常导致疼痛、功能下降和生产力损失，尤其在缺乏专职放射科医生资源的低收入地区尤为突出。传统影像方法成本高昂、辐射暴露大且依赖专业解读。为此，我们开发了一个基于人工智能的解决方案，用于从 X 光片图像中自动检测骨折，使用定制卷积神经网络 (CNN) 并将其与迁移学习模型（包括 EfficientNetB0、MobileNetV2 和 ResNet50）进行基准测试。训练在公开可用的 FracAtlas 数据集上完成，该数据集包含 4,083 张匿名的肌肉骨骼 X 光片。定制 CNN 在 FracAtlas 数据集上实现了 95.96% 的准确率、0.94 的精确率、0.88 的召回率和 0.91 的 F1 分数。尽管迁移学习模型（EfficientNetB0、MobileNetV2、ResNet50）在本特定设置下表现不佳，但这些结果需考虑类别不平衡和数据集限制。本工作凸显了轻量级 CNN 在 X 光片骨折检测中的潜力，并强调了公平基准测试、多样化数据集和外部验证对临床转化的重要性。
引用
@article{arxiv.2509.06228,
title = {Fracture Detection In X-rays Using Custom Convolutional Neural Network (CNN) And Transfer Learning Models},
author = {Amna Hassan and Ilsa and Nouman Munib and Aneeqa Batool and Hamail Noor},
journal= {arXiv preprint arXiv:2509.06228},
year = {2025}
}