基于YOLOv3算法的肋骨骨折诊断模型的构建及应用

doi:10.12116/j.issn.1004-5619.2023.230308

摘要/Abstract

摘要：

目的建立基于YOLOv3算法的人工智能辅助肋骨骨折诊断模型并应用于实际案例，探讨该模型在法医临床常见肋骨骨折案例中的应用优势。方法收集884例胸部外伤致肋骨骨折患者的CT扫描DICOM格式图像，将其中801例作为训练集和验证集，搭建以YOLOv3算法为基础、Darknet53为骨干网络的肋骨骨折诊断模型，建模后以83例为测试集，计算精确率、召回率、F1分数、阅片时间。将该模型用于一起实际案例的诊断，并与人工诊断进行比较。结果使用建立的模型对83例进行测试，模型诊断骨折的精确率为90.5%，召回率为75.4%，F1分数为0.82，阅片时间为每秒4.4张，识别每位患者的数据花费时间平均为21 s，远快于人工阅片。所构建模型对实际案例的识别结果与人工诊断结果一致。结论基于YOLOv3算法的肋骨骨折诊断模型能够快速、准确地识别骨折，且操作简便，可在法医临床鉴定中作为辅助诊断技术。

关键词: 法医学, 人工智能, 肋骨骨折, 计算机断层扫描, 诊断, YOLOv3, Darknet53

Abstract:

Objective The artificial intelligence-aided diagnosis model of rib fractures based on YOLOv3 algorithm was established and applied to practical case to explore the application advantages in rib fracture cases in forensic medicine. Methods DICOM format CT images of 884 cases with rib fractures caused by thoracic trauma were collected, and 801 of them were used as training and validation sets. A rib fracture diagnosis model based on YOLOv3 algorithm and Darknet53 as the backbone network was built. After the model was established, 83 cases were taken as the test set, and the precision rate, recall rate, F1-score and radiology interpretation time were calculated. The model was used to diagnose a practical case and compared with manual diagnosis. Results The established model was used to test 83 cases, the fracture precision rate of this model was 90.5%, the recall rate was 75.4%, F1-score was 0.82, the radiology interpretation time was 4.4 images per second and the identification time of each patient’s data was 21 s, much faster than manual diagnosis. The recognition results of the model was consistent with that of the manual diagnosis. Conclusion The rib fracture diagnosis model in practical case based on YOLOv3 algorithm can quickly and accurately identify fractures, and the model is easy to operate. It can be used as an auxiliary diagnostic technique in forensic clinical identification.

Key words: forensic medicine, artificial intelligence （AI）, rib fracture, computed tomography （CT）, diagnosis, YOLOv3, Darknet53

中图分类号:

白洁, 孙晶, 程晓光, 刘凡, 刘华, 王旭. 基于YOLOv3算法的肋骨骨折诊断模型的构建及应用[J]. 法医学杂志, 2023, 39(4): 343-349.

Jie BAI, Jing SUN, Xiao-guang CHENG, Fan LIU, Hua LIU, Xu WANG. Construction and Application of Rib Fracture Diagnosis Model Based on YOLOv3 Algorithm[J]. Journal of Forensic Medicine, 2023, 39(4): 343-349.

图/表 6

图1 第1次建模得到的肋骨骨折标注及识别图像A：骨折标注图像（黄色矩形框）；B：模型识别骨折图像（蓝色矩形框）。

Fig. 1 Rib fracture labeling and recognition imagesobtained by the first modeling

图2 第2次建模得到的肋骨骨折识别图像绿色框为影像学专家标注的骨折位置，红色框及数据为模型预测的骨折位置以及骨折概率。

Fig. 2 Rib fracture recognition images obtained by the second modeling

图3 第2次建模的损失函数曲线

Fig. 3 The loss function curve of the second modeling

图4 假阳性结果A：滋养孔；B：肋骨局部钙化；C：容积效应。红色框及数据为模型预测的骨折位置以及骨折概率。

Fig. 4 Results of the false positive

图5 假阴性结果A：修复期骨折；B：无明显移位骨折；C：不完全性骨折。

Fig. 5 Results of the false negative

图6 实际肋骨骨折案例的模型识别结果A：受伤当日；B：伤后3个月。

Fig. 6 Model recognition results of the practicalrib fracture case

参考文献 21

1	HAMILTON C， BARNETT L， TROP A， et al. Emergency department management of patients with rib fracture based on a clinical practice guideline[J]. Trauma Surg Acute Care Open，2017，2（1）：e000133. doi：10.1136/tsaco-2017-000133 .
2	SHULZHENKO N O， ZENS T J， BEEMS M V， et al. Number of rib fractures thresholds independently predict worse outcomes in older patients with blunt trauma[J]. Surgery，2017，161（4）：1083-1089. doi：10.1016/j.surg.2016.10.018 .
3	RAMESH A N， KAMBHAMPATI C， MONSON J R T， et al. Artificial intelligence in medicine[J]. Ann R Coll Surg Engl，2004，86（5）：334-338. doi：10.1308/147870804290 .
4	陈诗慧，刘维湘，秦璟，等. 基于深度学习和医学图像的癌症计算机辅助诊断研究进展[J].生物医学工程学杂志，2017，34（2）：314-319. doi：10.7507/1001-5515.201609047 .
	CHEN S H， LIU W X， QIN J， et al. Research progress of computer-aided diagnosis in cancer based on deep learning and medical imaging[J]. Shengwu Yixue Gongchengxue Zazhi，2017，34（2）：314-319.
5	WEIKERT T， NOORDTZIJ L A， BREMERICH J， et al. Assessment of a deep learning algorithm for the detection of rib fractures on whole-body trauma computed tomography[J]. Korean J Radiol，2020，21（7）：891-899. doi：10.3348/kjr.2019.0653 .
6	IBANEZ V， GUNZ S， ERNE S， et al. RiFNet： Automated rib fracture detection in postmortem computed tomography[J]. Forensic Sci Med Pathol，2022，18（1）：20-29. doi：10.1007/s12024-021-00431-8 .
7	REDMON J， FARHADI A. YOLOv3： An incremental improvement[J/OL]. arXiv，2018. （2018-04-08）[2023-02-13]. .
8	REDMON J， DIVVALA S， GIRSHICK R， et al. You only look once： Unified， real-time object detection[C]// 2016 IEEE Conference on Computer Vision and Pattern Recognition （CVPR）， Las Vegas， NV， USA，2016：779-788. doi：10.1109/CVPR.2016.91 .
9	YANG H B， LIU P， HU Y Z， et al. Research on underwater object recognition based on YOLOv3[J]. Microsyst Technol，2021，27：1837-1844. doi：10.1007/s00542-019-04694-8 .
10	REDMON J， FARHADI A. YOLO9000： Better， faster， stronger[C]// 2017 IEEE Conference on Computer Vision and Pattern Recognition （CVPR）， Honolulu， HI， USA，2017：6517-6525. doi：10.1109/CVPR.2017.690 .
11	袁小平，马绪起，刘赛. 改进YOLOv3的行人车辆目标检测算法[J].科学技术与工程，2021，21（8）：3192-3198. doi：10.3969/j.issn.1671-1815.2021.08.031 .
	YUAN X P， MA X Q， LIU S. An improved algorithm of pedestrian and vehicle detection based on YOLOv3[J]. Kexue Jishu Yu Gongcheng，2021，21（8）：3192-3198.
12	YAO L， GUAN X， SONG X， et al. Rib fracture detection system based on deep learning[J]. Sci Rep，2021，11（1）：23513. doi：10.1038/s41598-021-03002-7 .
13	刘想，谢辉辉，许玉峰，等. AI软件自动检出胸部CT图像上肋骨骨折的诊断效能研究[J].临床放射学杂志，2021，40（7）：1369-1374.
	LIU X， XIE H H， XU Y F， et al. Study on diagnostic efficiency of automatic detection of rib fracture on chest CT images with AI software[J]. Linchuang Fangshexue Zazhi，2021，40（7）：1369-1374.
14	李星宇，雷禹，黄晓旗，等. 基于AI与人工阅片对肋骨骨折性质诊断价值的比较[J].中国医疗设备，2022，37（8）：32-36. doi：10.3969/j.issn.1674-1633.2022.08.007 .
	LI X Y， LEI Y， HUANG X Q， et al. Comparison of the diagnostic value of rib fracture properties based on AI and manual reading[J]. Zhongguo Yiliao Shebei，2022，37（8）：32-36.
15	史丹迪，张忠伟，胡铁波，等. 人工智能辅助放射科住院医师诊断肋骨新鲜骨折的应用价值[J].现代实用医学，2022，34（10）：1308-1310. doi：10.3969/j.issn.1671-0800.2022.10.019 .
	SHI D D， ZHANG Z W， HU T B， et al. Application value of artificial intelligence in assisting radiology residents to diagnose fresh rib fractures[J]. Xiandai Shiyong Yixue，2022，34（10）：1308-1310.
16	周清清，王佳硕，唐雯，等. 基于卷积神经网络成人肋骨骨折CT自动检测和分类的应用研究[J].影像诊断与介入放射学，2020，29（1）：27-31. doi：10.3969/j.issn.1005-8001.2020.01.005 .
	ZHOU Q Q， WANG J S， TANG W， et al. Automatic detection of adult rib fractures on CT using convolutional neural network[J]. Yingxiang Zhenduan Yu Jieru Fangshexue，2020，29（1）：27-31.
17	蒋迪华，章建华，徐敏，等. 三种CT后处理技术在肋骨骨折诊断中的应用对比研究[J].中国医学计算机成像杂志，2020，26（4）：375-379. doi：10.3969/j.issn.1006-5741.2020.04.017 .
	JIANG D H， ZHANG J H， XU M， et al. Comparative study of the CT post-processing techniques in diagnosis of rib fracture[J]. Zhongguo Yixue Jisuanji Chengxiang Zazhi，2020，26（4）：375-379.
18	徐传冰，张琪，赵佳，等. 人工智能全自动肋骨骨折检测系统诊断效能研究[J].电子元器件与信息技术，2022，6（2）：204-206. doi：10.19772/j.cnki.2096-4455.2022.2.078 .
	XU C B， ZHANG Q， ZHAO J， et al. Study on the diagnostic efficiency of artificial intelligence automatic rib fracture detection system[J]. Dianzi Yuanqijian Yu Xinxi Jishu，2022，6（2）：204-206.
19	SHEN W， YANG F， MU W， et al. Automatic localization of vertebrae based on convolutional neural networks[C]// SPIE Medical Imaging. Proceedings Volume 9413， Medical Imaging 2015： Image Processing， Orlando， Florida， United States，2015：46-49. doi：10.1117/12.2081941 .
20	SUZANI A， RASOULIAN A， SEITEL A， et al. Deep learning for automatic localization， identification， and segmentation of vertebral bodies in volumetric MR images[C]// SPIE Medical Imaging. Proceedings Volume 9415， Medical Imaging 2015： Image-Guided Procedures， Robotic Interventions， and Mode-ling， Orlando， Florida， United States，2015：63-70. doi：10.1117/12.2081542 .
21	罗鑫，王永雄，张佳鹏，等. 基于多重注意力的肋骨骨折检测研究[J/OL].控制工程. （2022-02-10）[2023-01-12]. .
	LUO X， WANG Y X， ZHANG J P，et al. Detection of rib fractures based on multiple attention[J/OL]. Kongzhi Gongcheng. （2022-02-10）[2023-01-12]. .

[1]	安永明, 张志威, 关国鹏. 肺挫裂伤合并多发假性囊肿法医学鉴定1例[J]. 法医学杂志, 2023, 39(5): 519-522.
[2]	马安全, 马晓晨, 方俊杰. 会阴部外伤致睾丸萎缩鉴定1例[J]. 法医学杂志, 2023, 39(5): 528-530.
[3]	夏晴, 陈捷敏. 垂直压缩型踝关节骨折成伤机制分析2例[J]. 法医学杂志, 2023, 39(5): 525-527.
[4]	李强, 付志浩, 孙晓东, 黄效宇. 利用CT扫描测量法判断眼球内陷残疾评定1例[J]. 法医学杂志, 2023, 39(5): 516-518.
[5]	朱琨, 高东, 范利华. 腓骨骨纤维结构不良并骨折因果关系鉴定1例[J]. 法医学杂志, 2023, 39(5): 522-524.
[6]	林丹丹, 赵莉莉, 施芳芳, 陈雅婷, 潘国南. 二次交通伤致伤方式探讨1例[J]. 法医学杂志, 2023, 39(5): 530-534.
[7]	郝虹霞, 陈捷敏, 王荣荣, 俞晓英, 王萌, 周智露, 盛延良, 夏文涛. 虚拟现实-图像视觉诱发电位用于客观评定单眼屈光不正视觉损伤的价值[J]. 法医学杂志, 2023, 39(4): 382-387.
[8]	宋爱英, 赵翌博, 杨利君. 液相色谱-串联质谱法检验氟乙酸致死1例[J]. 法医学杂志, 2023, 39(4): 428-430.
[9]	张韦屹, 周旻. 岩斜区脑膜瘤切除术后长期昏迷医疗损害鉴定1例[J]. 法医学杂志, 2023, 39(4): 421-423.
[10]	范飞, 武娟, 邓振华. 听力学客观检测技术在法医临床学中的应用进展[J]. 法医学杂志, 2023, 39(4): 360-366.
[11]	项剑, 王旭, 于丽丽, 靳康佳, 杨英恺. 视交叉及其后部视路损伤所致视野缺损的客观评定[J]. 法医学杂志, 2023, 39(4): 350-359.
[12]	王飞翔, 朱广友. 男性性功能障碍鉴定标准的研制及相关解读[J]. 法医学杂志, 2023, 39(4): 367-372.
[13]	高章明, 石景瑜, 曾皓, 张学军. UPLC-MS/MS快速测定血液中布桂嗪[J]. 法医学杂志, 2023, 39(4): 388-392.
[14]	曹宇奇, 施妍, 向平, 郭寅龙. 机器学习辅助非靶向筛查策略用于芬太尼类物质识别鉴定的研究进展[J]. 法医学杂志, 2023, 39(4): 406-416.
[15]	夏文涛. 人体损伤程度鉴定的因果关系及其在鉴定意见中的规范化表述[J]. 法医学杂志, 2023, 39(4): 337-342.