临床医学论文_探讨基于卷积神经网络对颅底骨折-医师在线杂志社投稿

一、本刊要求作者有严谨的学风和朴实的文风，提倡互相尊重和自由讨论。凡采用他人学说，必须加注说明。二、不要超过10000字为宜，精粹的短篇，尤为欢迎。三、请作者将稿件（用WORD格式）发送到下面给出的征文信箱中。四、凡来稿请作者自留底稿，恕不退稿。五、为规范排版，请作者在上传修改稿时严格按以下要求： 1．论文要求有题名、摘要、关键词、作者姓名、作者工作单位（名称，省市邮编）等内容一份。 2．基金项目和作者简介按下列格式：基金项目：项目名称（编号）作者简介：姓名（出生年－），性别，民族（汉族可省略），籍贯，职称，学位，研究方向。 3．文章一般有引言部分和正文部分，正文部分用阿拉伯数字分级编号法，一般用两级。插图下方应注明图序和图名。表格应采用三线表，表格上方应注明表序和表名。 4．参考文献列出的一般应限于作者直接阅读过的、最主要的、发表在正式出版物上的文献。其他相关注释可用脚注在当页标注。参考文献的著录应执行国家标准GB7714-87的规定，采用顺序编码制。

临床医学论文_探讨基于卷积神经网络对颅底骨折

作者:

关键词:

摘要：

文章目录

1 资料和方法

1.1 数据来源及纳排标准

1.2 扫描仪器和方法

1.3 数据预处理

1.4 骨折区域识别模型构建

1.5 CNN模型与人工组的诊断效能比较

2 结果

2.1 患者特征

2.2 CNN模型、与人工组诊断效能比较

3 讨论

文章摘要:目的:探讨卷积神经网络（CNN）在颅底骨折CT诊断的应用价值。方法:回顾性搜集3 100例颅底骨折患者及2 467例正常患者的颅骨CT图像数据,经纳排标准筛选,最终选用2 488例颅底骨折及1 628例正常患者的颅底CT图像数据。对CT图像进行骨折标注后,随机分配训练集和测试集后。通过CNN构建颅骨区域识别算法模型和颅骨骨折检测算法模型,随后在测试中以颅底骨折区域识别和头颅骨折、颅底骨折对模型进行验证,验证指标为精准率（precision）、召回率（recall）、平均诊断耗时;与人工组（低年资放射科医师）测试进行诊断效能对比。结果:通过CNN运算获得的稳定模型后进行测试对比,结果显示全颅底区域骨折、前、中、后颅底骨折精准度均<0.5,低于人工组（均> 0.63）;召回率> 0.89,均优于人工组（均<0.8）;平均诊断时间为（3.12±2.67）s,明显少于人工组诊断时间。分别在颅底骨折区域测试中,精准度率:前颅底>中颅底>后颅底,召回率:中颅底>后颅底>前颅底。结论:基于CNN颅底骨折算法模型对于颅脑外伤患者CT诊断颅底骨折在召回率、诊断耗时均优于人工测试结果,在辅助临床诊断、降低漏诊及诊断耗时方面具有一定的价值。

文章关键词:

论文DOI:10.15953/j.1004-4140.2021.30.06.13

论文分类号:R816;R651.15

文章来源：《医师在线》网址: http://www.yszxzz.cn/qikandaodu/2021/1111/2081.html