探讨基于卷积神经网络对颅底骨折CT图像精准诊断的应用价值

目的:探讨卷积神经网络（CNN）在颅底骨折CT诊断的应用价值。方法:回顾性搜集3 100例颅底骨折患者及2 467例正常患者的颅骨CT图像数据,经纳排标准筛选,最终选用2 488例颅底骨折及1 628例正常患者的颅底CT图像数据。对CT图像进行骨折标注后,随机分配训练集和测试集后。通过CNN构建颅骨区域识别算法模型和颅骨骨折检测算法模型,随后在测试中以颅底骨折区域识别和头颅骨折、颅底骨折对模型进行验证,验证指标为精准率（precision）、召回率（recall）、平均诊断耗时;与人工组（低年资放射科医师）测试进行诊断效能对比。结果:通过CNN运算获得的稳定模型后进行测试对比,结果显示全颅底区域骨折、前、中、后颅底骨折精准度均<0.5,低于人工组（均>0.63）;召回率>0.89,均优于人工组（均<0.8）;平均诊断时间为（3.12±2.67）s,明显少于人工组诊断时间。分别在颅底骨折区域测试中,精准度率:前颅底>中颅底>后颅底,召回率:中颅底>后颅底>前颅底。结论:基于CNN颅底骨折算法模型对于颅脑外伤患者CT诊断颅底骨折在召回率、诊断耗时均优于人工测试结果,在辅助临床诊断、降低漏诊及诊断耗时方面具有一定的价值。