Development of an artificial intelligence model for detecting rib fractures on chest radiographs
흉부 방사선 사진에서 늑골 골절을 감지하기 위한 인공지능 모델 개발
- 주제(키워드) Rib fractures , X-rays , Radiography , Artificial intelligence , Deep learning , Software
- 발행기관 고려대학교 대학원
- 지도교수 고재철
- 발행년도 2024
- 학위수여년월 2024. 2
- 학위명 석사
- 학과 대학원 의학과
- 세부전공 마취통증의학 전공
- 원문페이지 31 p
- 실제URI http://www.dcollection.net/handler/korea/000000278309
- UCI I804:11009-000000278309
- DOI 10.23186/korea.000000278309.11009.0000393
- 본문언어 영어
초록/요약
배경: 흉부 방사선 사진에서 관련 증상 없이 늑골 골절을 감지하는 것은 놓칠 수 있어 어려운 과제입니다. 인공지능을 사용하여 즉시 늑골 골절을 식별하고 표시해줄 수 있다면 의사들에게 큰 도움이 될 것입니다. 본 연구는 흉부 방사선 사진에서 잠재적인 늑골 골절을 감지하기 위한 인공지능 모델을 개발하는 것을 목표로 하였습니다. 방법: 미리 정의된 신경망 아키텍처를 사용하여 272개의 간단한 흉부 방사선 사진(늑골 골절이 포함된 186장)을 사용하여 인공지능 모델을 훈련시켰습니다. 기계 학습 반복 횟수를 500부터 10,000까지 변화시키면서 늑골 골절 병변 유무를 식별하고 정확한 위치를 표시하는지 평가되었습니다. 결과: 흉부 방사선 사진에서 늑골 골절 병변을 감지할 수 있는 프로그램을 성공적으로 개발할 수 있었습니다. 인공지능 모델은 8000번의 반복 이후에 최적의 결과를 나타냈습니다(민감도 88.2%, 특이도 92.9%). 최상의 성능은 8000번의 반복에서 얻어졌으며 잭나이프 대체 자유 응답 수신 운영 특성 평가지표는 0.812이었으며 민감도는 68.4%입니다. 그러나 8000번의 반복 이후에는 성능이 더 이상 향상되지 않았습니다. 결론: 미리 정의된 신경망 아키텍처를 사용하여 늑골 골절을 감지할 수 있는 인공지능 모델을 개발하는 것이 가능합니다. 추가 연구는 다른 분야에서 응용 가능한 더 정교한 인공지능 모델을 개발할 것입니다.
more초록/요약
Background: Detecting rib fractures on chest radiographs can be challenging because they can be easily missed without related symptoms. Using artificial intelligence (AI) to promptly identify and mark rib fractures on chest radiographs would significantly help doctors. This study aimed to develop an AI model for detecting potential rib fractures on chest radiographs. Methods: We trained an artificial intelligence model with 272 simple chest radiography (186 with rib fractures) using predetermined neural network architecture (Faster Region-based Convolutional Neural Network with Feature Pyramid Network). The performance was evaluated for analyzing the presence or absence of rib fractures and localizing fracture lesions by varying the machine learning iterations from 500 to 10,000. Results: We were able to successfully create a program that can detect rib fracture lesions in chest x-ray. The AI model exhibited optimal outcomes after 8000 iterations (sensitivity, 88.2%; specificity, 92.9%). The best performance was also obtained at 8000 iterations, with a jackknife alternative free-response receiver operating characteristic (JAFROC) figure of merit of 0.812 and a sensitivity of 68.4%. However, after a threshold of 8000 iterations, the performance did not improve further. Conclusions: Developing an AI model that could detect rib fractures is possible using a predetermined neural network architecture. Further studies will develop more sophisticated AI models with applications in other fields.
more목차
ABSTRACT i
국문 초록 iii
TABLE OF CONTENTS v
LIST OF TABLES vi
LIST OF FIGURES vii
NOMENCLATURE viii
CHAPTER 1. INTRODUCTION 1
CHAPTER 2. MATERIALS AND METHODS 3
2.1 Dataset preparation 3
2.2 Model training 5
2.3 Evaluation 6
CHAPTER 3. RESULTS 8
3.1 Characteristics of the training and test datasets 8
3.2 Performance of the AI model in identifying radiographs with rib fractures 10
3.3 Performance of the AI model in marking rib fracture lesions 12
CHAPTER 4. DISCUSSION 13
CHAPTER 5. CONCLUSION 17
REFERENCES 18
