典型文献
基于完全融合集成网络候选框的肋骨骨折检测方法
文献摘要：
目的 提出一种新型的肋骨骨折检测网络Rib-Net,探讨其进行肋骨骨折检测的可行性与准确性,以减少骨折漏诊案例.方法 采用公开数据集RibFrac Dataset,其数据集划分为训练集(420例)、验证集(80例)及测试集(160例).Rib-Net由目标检测集成网络ED-Net、完全候选框融合算法(CBF)与分割模型3D Unet构成.首先,集成Retina Unet、UFRCNN+与Mask RCNN组成ED-Net,预测肋骨骨折候选框;其次,设计全新的CBF,融合存在重叠的骨折候选框,生成定位精准、置信度准确的候选框;最后,利用Unet对肋骨骨折进行分割,实现肋骨骨折的进一步精确定位.结果 在"MICCAI 2020 RibFrac Challenge:Rib Fracture Detection and Classification"挑战赛平台上,Rib-Net检测结果达到了最优成绩,其召回率、无限制接受者操作特性曲线(FROC)值及Dice相似指数分别为92.3％,0.859和0.61.结论 Rib-Net网络可高效精准地对胸部CT影像进行肋骨骨折检测定位,有效协助医生做出准确诊断.
文献关键词：
深度学习;肋骨;骨折;目标检测;集成检测网络;完全框融合;分割;算法;人
中图分类号：
作者姓名：
何学才;金倞;李铭;章琛曦
作者机构：
复旦大学基础医学院数字医学研究中心,上海 200032;上海市医学图像处理与计算机辅助手术重点实验室,上海 200032;复旦大学附属华东医院放射科,上海 200040
文献出处：
引用格式：
[1]何学才;金倞;李铭;章琛曦-.基于完全融合集成网络候选框的肋骨骨折检测方法)[J].解剖学报,2022(03):396-401
A类：
RibFrac,UFRCNN+,集成检测网络,完全框融合
B类：
全融合,合集,候选框,肋骨骨折,骨折检测,Net,漏诊,公开数据集,Dataset,数据集划分,训练集,验证集,测试集,目标检测,ED,融合算法,CBF,分割模型,Unet,Retina,Mask,置信度,折进,精确定位,MICCAI,Challenge,Fracture,Detection,Classification,挑战赛,召回率,接受者,特性曲线,FROC,Dice,胸部,检测定位
AB值：
0.310958
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
