Identification of non-traumatic vertebral compression fractures in CT images using a hybrid deep learning model combining DenseNet and GAN

Abstract

Vertebral compression fractures are common conditions, particularly in the aging population, often linked to osteoporosis and other degenerative diseases. Non-traumatic vertebral compression fractures (VCFs) can be difficult to identify from medical images, especially those that do not show signs of trauma. This has led to a demand for more effective and automated detection methods. This study proposes a hybrid deep learning approach that uses DenseNet and Generative Adversarial Networks (GANs) to detect nontraumatic VCFs from computed tomography (CT) images. A dataset consisting of patient CT scans was used, including 101 images with confirmed fractures and 99 images without fractures. Our hybrid model demonstrated superior accuracy to conventional methods, showing promising results in distinguishing between fractured and non-fractured vertebrae. This automated method could aid radiologists in early diagnosis and treatment planning by decreasing the time needed for manual image analysis and improving diagnostic accuracy. The combination of DenseNet and GANs demonstrates the effectiveness of using advanced deep-learning techniques for medical image classification, opening the door for future applications in automated medical diagnosis.Vertebral kompresyon kırıkları, özellikle yaşlı nüfus arasında yaygın bir durumdur ve genellikle osteoporoz ile diğer dejeneratif hastalıklarla ilişkilidir. Travma belirtisi göstermeyen non-travmatik vertebral kompresyon kırıkları (VK’lar) tıbbi görüntülerden tanımlanması zor olabilir. Bu durum, daha etkili ve otomatik tespit yöntemlerine olan talebi artırmıştır. Bu çalışma, bilgisayarlı tomografi (BT) görüntülerinden non-travmatik VK’ları tespit etmek için DenseNet ve Üretici Karşıt Ağlar (GAN’lar) kullanan hibrit bir derin öğrenme yaklaşımını önermektedir. Kesin kırıkları olan 101 görüntü ve kırık olmayan 99 görüntü içeren bir hasta BT tarama veri seti kullanılmıştır. Hibrit modelimiz, geleneksel yöntemlere kıyasla üstün bir doğruluk göstermiştir ve kırık ve kırık olmayan vertebra ayırt etme konusunda umut verici sonuçlar sunmuştur. Bu otomatik yöntem, radyologların erken tanı ve tedavi planlamasında yardımcı olabilir, manuel görüntü analizine gereken süreyi azaltarak tanısal doğruluğu artırır. DenseNet ve GAN’ların kombinasyonu, tıbbi görüntü sınıflandırması için ileri düzey derin öğrenme tekniklerinin etkinliğini ortaya koymakta ve otomatik tıbbi tanıda gelecekteki uygulamalara kapı açmaktadır.