MRI诊断140例腰椎智能网络自动检测分型MCs方法的比较

摘要

目的探究使用Yolov5网络检测分类Modic改变(MCs)的性能,与基于Yolov5和Resnet34网络自动检测分类MCs方法进行比较。方法回顾性分析2020年6月至2021年6月接受MRI诊断且符合纳入和排除标准的MCs患者140例,其中男55例,女85例,25~89岁,平均(59.0±13.7)岁。在完成MRI影像的标注工作后,将标注后的MRI影像导入深度学习模型训练,使用医学数据常规增强和Mosaic数据增强进行数据扩充,降低训练数据集过少的因素;利用迁移学习的方法,解决网络在小数据集上过拟合的问题。采用平均精度(AP)、平均精度均值(mAP)、召回率、精确率、F1值等性能指标对两种方法诊断MCs进行评估并比较。结果Yolov5网络检测分类MCs时,mAP、召回率、精确率和F1值分别达到87.56%、82.05%、89.44%和0.845;Yolov5和Resnet34网络自动检测分类MCs时,召回率、精确率和F1值分别达到88.41%、88.68%和0.885。结论Yolov5网络可以帮助诊断腰椎MCs,使用Yolov5和Resnet34网络检测分类MCs时,模型诊断MCs的性能提升,进而表明Yolo系列网络可以为智能辅助诊断技术在脊柱领域的应用提供可能性。