一种基于多任务学习的肋骨骨折愈合阶段判定模型

摘要

肋骨骨折是胸部创伤中常见的损伤类型，通常通过胸部CT影像进行诊断.然而，由于骨折区域通常较小，形态多变且与周围组织对比度低，导致骨折类型分类和愈合阶段判定在临床和智能分析中均面临巨大挑战.针对上述问题，本文围绕肋骨骨折的类型分类与愈合阶段判定展开研究，提出一种基于多任务学习的肋骨骨折愈合阶段判定模型.具体来说，首先，在骨折类型分类方面，本文设计了一种三分支分层多尺度融合模型，充分融合不同层次和尺度的特征信息，以提升模型对细微骨折差异的识别能力.其次，在骨折愈合阶段判定方面，针对样本数量少、分布不均等问题，构建了基于深度可分离卷积的扩展长短期记忆网络，该网络不仅增强了图像空间特征的提取能力，同时也提高了对时间序列中长期依赖信息的建模能力，实现了空间与时间双维度的特征整合.实验结果表明，该方法具有良好的分类性能，准确率与召回率均达到0.95以上，而且在判定不同愈合阶段时表现出较高的稳定性和准确性，阶段判定的准确率与召回率均达到0.91以上.

关键词

多任务学习网络 / 愈合阶段判定 / 肋骨骨折分类 / 多尺度特征融合 / 星网络

基金资助

山西省自然科学基金面上资助项目（202403021221140）; 山西省留学回国人员科技活动择优资助项目（20250025）; 山西省科技合作交流专项资助项目（202404041101009）