基于机器学习的椎弓根螺钉钉道超声图像评估方法

目的 探讨基于支持向量机（SVM）构建的人工智能辅助诊断模型对椎弓根螺钉钉道完整性进行超声鉴别与验证的方法研究。 方法 本文提出了一种基于超声图像智能分析的椎弓根钉道完整性评估方法。数据采自4个新鲜人体胸腰椎标本。预建立钉道50个，共800张超声图像（其中钉道完整与破损的样本各400个），采用五折交叉验证的方法对样本进行训练集与测试集的划分，对人工智能辅助诊断模型进行训练及测试。首先对超声图像进行裁剪，并采用亮度映射方法进行图像增强得到易于计算机判断识别且排除无效信息干扰的超声图像；然后通过灰度共生矩阵算法进行纹理特征提取，并采用支持向量机模型对正常和严重破损样本的初始分类模型进行搭建；其次，使用灰度分布得到用于区分前景和背景的阈值，并通过设计的损失函数得到得到钉道同心圆的半径；最后将同心圆外部图像的熵、方差、对比度、能量、平均绝对偏差作为第二类特征，最后进行轻微破损样本和未破损样本的二次分类模型搭建。 结果 初始分类的准确率为74.75%，特异性为71.81%，灵敏度为81.5%，F1值为76.35%，假正率为32%，假负率为18.5%。二次分类的准确率为93.75%，特异性为91.55%，灵敏度为97.5%，F1值为94.43%，假正率为9%，假负率为2.5%。二次类准确率与初始分类相比较，准确率提升19%。 结论 本文提出的基于SVM机器学习模型的方法可较为准确地检测椎弓根钉道的破损情况，且准确率较高，可用于术中实时判断椎弓根钉道的状态。