基于髋关节X线片深度学习的髋关节发育不良分类系统的诊断性能分析
郑荣伟1
张业勇2
王功腾2
刘庆胜3
王胜利4
马彦超5
孙华强2
于观贞6
李树锋2
1.山东第一医科大学(山东省医学科学院)临床医学院 山东 泰安 271000;山东第一医科大学第一附属医院(山东省千佛山医院)骨外科 山东省风湿免疫病转化医学重点实验室 山东 济南 2500142.山东第一医科大学第一附属医院(山东省千佛山医院)骨外科 山东省风湿免疫病转化医学重点实验室 山东 济南 2500143.济宁市第一人民医院骨外科 山东 济宁 2720114.汶上县人民医院骨外科 山东 汶上 2735005.山东大学齐鲁医院放射科 山东 济南 2500126.浙江省数字内容研究院 数字健康与人工智能实验室 浙江 杭州 312000
摘要：目的 研发基于髋关节X线片深度学习(DL)的髋关节发育不良(DDH)分类系统,并验证其诊断性能.方法 收集 529 张髋关节X线片,根据髋臼发育程度将其分为正常组 110 张和DDH组 419 张,DDH组按照Hartofilakidis分型分为Ⅰ型 237 例、Ⅱ型 112 例、Ⅲ型 70 例.设计一种DDH分类系统,先将图像分类为髋关节发育正常和DDH图像,然后从DDH图像中判断DDHⅢ型和非Ⅲ型图像,再从非DDHⅢ型图像中判断DDHⅠ型和Ⅱ型图像.采用DenseNet模型训练和识别X线片来诊断DDH类型,同时定义了一个新的通过定位关键点来诊断DDHⅢ型的方法.训练后的模型用于测试集评估,并给出每个图像分类结果的概率值.最终选择 6 个模型训练,并在测试集上评估性能,以找到最适合的模型.结果 对于髋关节发育正常与DDH的分类,DenseNet在测试集中的特异度、灵敏度分别为 98.7%、97.8%,阳性预测值、阴性预测值分别为 98.7%、97.8%.DenseNet在DDH Ⅲ型的特异度、灵敏度分别为 90.0%、87.0%,阳性预测值、阴性预测值分别为 89.7%、87.4%.对于DDHⅠ型和Ⅱ型,DenseNet特异度、灵敏度分别为 90.4%、86.7%,阳性预测值、阴性预测值分别为 90%、87.1%.结论 DL算法通过识别髋关节X线片来诊断DDH并对其分型具有较高的准确率,可达到专业医师水平.
关键词：X线摄影髋关节发育不良深度学习分类模型
分类号：R814(放射医学)R684(骨科学（运动系疾病、矫形外科学）)
资助基金：山东省自然科学基金面上项目(ZR2022MH128)
论文发表日期：2026-01-30
在线出版日期：2026-03-20（本平台首次上网日期，不代表文献的发表时间）
页数：6( 116-120,129 )
英文信息