سامانه همایش‌ها TSTA | ثبت‌نام و ارسال مقاله کنفرانس‌ها و کنگره‌های ملی

Home / سی و دومین کنفرانس ملی و دهمین کنفرانس بین المللی مهندسی زیست پزشکی ایران

Automated Tibial Bone Segmentation using 2D Swin-Unet on Knee X-ray Images

Authors :

Ali Kazemi¹ Abolfazl Zamanirad² Soodabeh Esfandiary³ Ebrahim Najafzadeh⁴ Mohammad Hossein Nabian⁵ Parastoo Farnia⁶ Alireza Ahmadian⁷

1- دانشگاه علوم پزشکی تهران 2- دانشگاه علوم پزشکی تهران 3- دانشگاه علوم پزشکی تهران 4- دانشگاه علوم پزشکی ایران 5- دانشگاه علوم پزشکی تهران 6- دانشگاه علوم پزشکی تهران 7- دانشگاه علوم پزشکی تهران

Keywords :

Tibial Plateau Fracture،Medical Image Segmentation،Swin-Unet،X-ray Imaging،Deep Learning

Abstract :

Tibial plateau fractures (TPFs), which account for approximately 1% of all bone fractures, represent a complex subset of knee injuries with significant clinical implications if not accurately diagnosed and managed. The accurate diagnosis of TPFs from radiographs is challenged by subtle fracture lines and significant inter-observer variability in manual segmentation. To address these limitations, this study evaluates the performance of a Transformer-based deep learning model, Swin-Unet, for automated and precise tibial segmentation. A retrospective dataset comprising 958 anterior-posterior and lateral radiographs from 220 patients with TPFs was curated. Ground truth masks of the tibia bone were manually annotated and validated through a multi-stage review by orthopedic surgeons. Following preprocessing steps, including contrast enhancement with Contrast Limited Adaptive Histogram Equalization (CLAHE), a 2D Swin-Unet architecture featuring patch-based self-attention mechanisms was trained. The optimized Swin-Unet model demonstrated high fidelity, achieving a mean Dice Similarity Coefficient (DSC) of 0.8314, a mean Intersection over Union (IoU) of 0.7374, and an overall accuracy of 0.9735 on the validation set. Qualitative analysis confirmed the model's ability to accurately delineate tibial boundaries. In conclusion, this study validates the Swin-Unet model as a robust and efficient framework for automated tibial segmentation. By mitigating the challenges of manual delineation, this approach holds significant promise for improving the consistency of orthopedic diagnostic workflows. It serves as a foundation for AI-driven clinical decision support in musculoskeletal imaging.

Papers List

List of archived papers

تاثیر هوش مصنوعی بر عملکرد شرکت با میانجیگری چابکی مشتری و ظرفیت جذب و تعدیلگری چابکی سازمان شرکت عامر اندیش هوشمند

مریم مقرب صمدی

بررسی تأثیر مسئولیت اجتماعی شرکت بر مفاهیم حسابداری مالی (بازده سهام، مدیریت سود واقعی، عدم تقارن اطلاعات و عملکرد مالی) در شرکت‌ پذیرفته شده در بورس اوراق بهادار

فاطمه ایمانی - محمود همت فر

شناسایی عوامل موثر بر تمایل به فرار مالیاتی با در نظر گرفتن عوامل فرهنگی با رویکرد تحلیل مضمون

نیما صدری نوبر زاد - پریسا صدری نوبر زاد

ارتباط فرصت‌های رشد، پایداری سود و سرمایه فکری با ضریب واکنش سود

عیسی ابیضی - سعید احمدی

هیدروژل‌های نانوکامپوزیتی تقویت‌شده با نانوالیاف آرامید عامل‌دار شده: راهبردی نوآورانه در راستای گسترش ساختارهای پیشرفته مورد استفاده در پزشکی بازساختی

فرهاد اسمعیل زاده - شهره مشایخان - اکبر شجاعی

Machine Learning and Deep Learning Approaches for Fake News Detection: A Comprehensive Survey

Arian Hajati - Azita Shirazipour - Seyed Javad Mirabedini

بررسی تأثیر هوش مصنوعی بر استراتژی‌های بازاریابی در کسب‌وکارهای الکترونیک در ایران

مریم ذاکری‌برنطین - هادی اسماعیلی درمیان

کاهش توهم در مدل‌های زبانی بزرگ جهت تولید اطلاعات درست

زهرا روزبهانی

The Impact of an Interactive Rehabilitation Protocol ‎on Reorganization of Brain Networks in Children ‎with Cerebral Palsy: A Pilot Study

Shahed Salehzehi - Mahdi Mollaei - Parisa Hosseini - Ali Koohian Mohammad abadi - Mohammad Ebrahim Hashemi - Hamid Reza Kobravi - Narges Hashemi - Mehran Beiraghi Toosi - Javad Akhondian

بازیابی لحظات ویدئویی در بازی‌های رایانه‌ای: از مدل‌های زبانی بزرگ تا یادگیری تقابلی

محمد گل زوری - پارسا ذاکرحیات - مصطفی عمری