【HisLab D-Fracture】X 光影像偵測肋骨骨折之影像辨識系統

團隊名稱：HisLab D-Fracture

本團隊搭配 Intel OpenVINO toolkit 與第 11 代 intel 處理器，提出利用胸腔 Ｘ 光影像建立肋骨骨折之影像辨識模型，僅需0.3秒即可辨識出骨折區域。

提案動機：

在急診室中，肋骨骨折是因為車禍所導致的胸部創傷常見的情形。但是因為肋骨是由身體後方的胸椎往前到胸骨的立體結構，且一邊有 12 根，因此肋骨骨折的狀況在 2D 平面的 X 光影像中並不是這麼容易判讀，因為從單一角度拍攝的肋骨影像可能會因為臟器遮蔽、肋骨影像重疊等問題而導致醫師判讀上的困難。尤其是在急診室忙碌的環境下，並非隨時都有骨科或胸腔外科醫師值班，因此往往會由一般外科或急診科醫師進行判讀，倘若初期的肋骨骨折無法被正確診斷，可能會導致併發症（刺傷肺臟導致氣胸、呼吸困難，甚至危及性命），進而引發後續的醫療糾紛。

為了協助醫師在急診忙碌的環境中，確切的診斷出肋骨骨折，我們想藉由AI人工智慧之軟體，先做初步的篩選判讀，將有可能是骨折的位置先標示出來，再由醫師做正確的判斷。有鑑於上述，本團隊期望導入AI系統去輔佐醫師，直接在影像上標註骨折的位置，並即時提供醫師一份判讀建議或異常的報告，預期可以減輕當班醫師臨床負擔與判讀時間。

解決方案：

本團隊開發出一款可以辨識一般骨折、細小骨折、錯位骨折、細微骨裂的「X光影像偵測肋骨骨折之影像辨識系統」，透過自行開發之影像前處理技術強化肋骨特徵、濾除背景雜訊，結合自適應物件大小遮罩與小物件辨識模組提高辨識精確度，透過 Intel OpenVINO toolkit 進行運算輔助，一張 X 光影像僅需 0.3 秒即可完成辨識，且精確率高達 83.4%。

過程描述：

現階段多家醫院嘗試開發的肋骨AI辨識系統，多用classification model做初步辨識，再透過CAM熱點圖顯示可能發生骨折的熱區，但此方法所產生的誤差範圍過大，對醫師的實際幫助並不大。因此本團隊預期以object detection的方法讓模型加強學習骨折特徵，直接預測出骨折位置與機率，但骨折區域通常僅佔一張 X 光影像 2.4% 範圍，若以此方法直接進行偵測容易因為差異很大的骨折或骨裂情形而導致模型的精確率不穩定。

因此我們針對 X 光影像使用前處理強化技術將肋骨部分的輪廓與紋理細節更加凸顯，同時濾除背景干擾雜訊；並結合自適應物件大小遮罩與小物件辨識模組，不僅具有更少的參數量，也可讓模型更容易關注到小區域的骨折範圍。

本團隊分別訓練了 large model 跟 small model，龐大的模型雖然能提升辨識準確度，但其效率卻受到嚴重影響。因此，為了提升精確度與速度，我們透過 Intel OpenVINO toolkit 進行運算輔助，針對各架構進行加速，並比較有無使用 Intel OpenVINO toolkit 在不同硬體設備上之 FPS 差異，我們發現使用第11代Intel CPU 處理器在優化上有明顯提升，其結果與運行在單 GPU 上的表現十分接近。最終我們在單 GPU 上得到最佳成績，若以精確度較高的 Large model 而言，單張影像僅需 0.3 秒即可完成檢測，且精確度高達 83.4%。

成果介紹：

在成果介紹的短片中將我們開發的 AI 模型經過 API 系統部署到前端網頁，可以提供醫院跨平台落地使用，我們所設計的圖形化使用者介面簡單清楚，主要功能如下：

• 支援單/多檔案上傳，可以選擇資料夾或是將檔案用拖拉的方式拉近上框內。
• 上傳即檢測，僅需 0.3 秒就可以預測骨折區域並回傳骨折位置與預測機率。
• 支援縮放影像，讓醫生能快速檢測預測結果與觀察肋骨細節。

本團隊結合多種技術開發出「X光影像偵測肋骨骨折之影像辨識系統」，並透過 Intel OpenVINO toolkit 進行運算輔助，準確率達 83.4%，單張 X 光影像僅需 0.3 秒即可完成辨識。透過我們所開發之「X光影像偵測肋骨骨折之影像辨識系統」可以先做初步的篩選辨識出一般骨折、細小骨折、錯位骨折、細微骨裂範圍，將有可能的區域進行標註，再由醫師做正確的判斷，進而減輕醫師負擔並提升工作效率。