9、基于机器学习的骨骨折检测

基于机器学习的骨骨折检测

1. 引言

随着技术和软件的发展，医学图像增强领域在医疗界越来越受欢迎，它为诊断疾病和改善患者护理提供了重要帮助，能辅助医疗人员做出准确的治疗决策。如今，诊断和治疗骨骨折变得愈发重要，骨骨折在各个年龄段的人群中都较为常见，即使在工业化国家，其发生率也在显著上升。骨骨折可能由小事故或多种疾病引发，因此快速准确的诊断对治疗效果至关重要。

传统上，放射科医生和其他医疗专业人员主要依靠 X 射线图像来确定是否发生骨折以及骨折的具体情况。然而，通过肉眼检查或使用标准 X 射线技术识别骨折是一项困难且耗时的任务，过度劳累的放射科医生可能会在众多无异常的图像中漏诊骨折。计算机视觉系统可以标记 X 射线图像并通知相关医疗人员，自动化诊断程序的想法一直颇具吸引力。

此前已有许多相关研究：
- Myint 等人提出了一种通过对 X 射线图像进行预处理、分割、骨折检测和分类来检测腿部骨折的算法。
- Mallikarjunaswamy 和 Raman 专注于开发基于图像处理的系统，用于根据 X 射线/CT 图像数据快速准确地对骨折骨头进行分类，该系统使用 MATLAB 7.8.0 编程语言，准确率达 85%，但性能有一定局限性。
- Vegi 等人分析 X 射线图像以识别骨骨折，讨论了将图像导入系统以及预处理、分割和识别骨骨折的方法，并采用图形用户界面设计以提高平台的效率和可访问性。
- Mahendran 和 Baboo 旨在通过图像处理工具和融合分类算法改善使用 X 射线图像诊断胫骨骨折的效果，在骨检测的融合分类阶段应用了朴素贝叶斯（NB）、支持向量机（SVM）分类器和前馈反向传播神经网络（BPNN），检测率和分类速度显著提高。 <