Modelos Profundos Preentrenados para la Detección Automatizada de 10 Tipos de Fracturas Óseas Un Estudio Comparativo con ResNet50, EfficientNetB3 y MobileNet
Barra lateral del artículo
Contenido principal del artículo
Resumen
El diagnóstico rápido y preciso de fracturas óseas es fundamental para prevenir complicaciones y optimizar el tratamiento. Las redes neuronales convolucionales (CNN) han demostrado alta eficacia en la clasificación de radiografías, alcanzando resultados comparables a los de especialistas. Este estudio evaluó MobileNet, ResNet50 y EfficientNetB3 para clasificar 10 tipos de fracturas usando 1,129 imágenes balanceadas: 90% para entrenamiento (1,017) y 10% para validación (112). El preprocesamiento incluyó redimensionado a 256×256 píxeles, conversión a RGB, normalización y one-hot encoding. El entrenamiento se realizó en Google Colab con optimizador RMSprop, pérdida categorical_crossentropy y early stopping. ResNet50 y EfficientNetB3 alcanzaron 95.54% de exactitud y F1-score >0.94, superando a MobileNet 91.51% de exactitud. Las confusiones se presentaron principalmente en fracturas visualmente similares. Las CNN evaluadas son viables para la clasificación automática de fracturas óseas, constituyendo una herramienta de apoyo diagnóstico útil, especialmente en áreas con escasez de especialistas. Se propone como trabajo futuro incluir un conjunto de prueba independiente y aumento de datos para mejorar la generalización.
Detalles del artículo
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.
Cuando un autor crea un artículo y lo publica en una revista, los derechos de autor pasan a la revista como parte del acuerdo de publicación. Por lo tanto, la revista se convierte en la dueña de los derechos de reproducción, distribución y venta del artículo. El autor conserva algunos derechos, como el derecho a ser reconocido como el creador del artículo y el derecho a utilizarlo para sus propios fines académicos o de investigación, a menos que se acuerde lo contrario en el contrato de publicación.
Cómo citar
Referencias
T. S. Omofoye et al., «Backlogs in formal interpreta-tion of radiology examinations: a pilot global sur-vey», Clin Imaging, vol. 106, feb. 2024, doi: 10.1016/j.clinimag.2023.110049.
G. Wahid, Ammara Haroon, Mehreen Samad, y Naila Tamkeen, «Causes of Delay in Radiological Reporting and ways to Reduce them», Journal of Sai-du Medical College, Swat, vol. 12, n.o 3, pp. 133-137, sep. 2022, doi: 10.52206/jsmc.2022.12.3.697.
T. Urakawa, Y. Tanaka, S. Goto, H. Matsuzawa, K. Watanabe, y N. Endo, «Detecting intertrochanteric hip fractures with orthopedist-level accuracy using a deep convolutional neural network», Skeletal Radiol, vol. 48, pp. 239-244, 2018, doi: 10.1007/s00256-018-3016-3.
Y. Xie et al., «Artificial intelligence diagnostic model for multi-site fracture X-ray images of extremities based on deep convolutional neural networks», Quant Imaging Med Surg, vol. 14, n.o 2, pp. 1930-1943, feb. 2024, doi: 10.21037/qims-23-878.
N. T. Htun y K. M. M. Tun, «Fuzzy-based Image Enhancement and Ensemble CNN Model for Bone Fracture Detection and Classification System», en 2024 5th International Conference on Advanced Infor-mation Technologies (ICAIT), 2024, pp. 1-6. doi: 10.1109/ICAIT65209.2024.10754918.
K. Mittal, K. S. Gill, R. Chauhan, y A. Kapruwan, «Innovative Fracture Diagnosis: MobileNet CNN Approach for Precise Bone Fracture Detection and Classification», en 2024 International Conference on In-telligent Systems for Cybersecurity (ISCS), 2024, pp. 1-5. doi: 10.1109/ISCS61804.2024.10581396.
L. O. Carmo et al., «An increasing number of convo-lutional neural networks for fracture recognition and classification in orthopaedics», Bone Jt Open, vol. 2, pp. 879-885, 2021, doi: 10.1302/2633-1462.210.BJO-2021-0133.
F. Mohammad, S. Al-Ahmadi, y J. Al-Muhtadi, «Block-Deep: A Hybrid Secure Data Storage and Diagnosis Model for Bone Fracture Identification of Athlete From X-Ray and MRI Images», IEEE Access, vol. 11, pp. 142360-142370, 2023, doi: 10.1109/ACCESS.2023.3330914.
M. Yaseen, M. Ali, S. Ali, A. Hussain, M. Il Joo, y H. C. Kim, «Cervical Spine Fracture Detection and Classification Using Two-Stage Deep Learning Methodology», IEEE Access, vol. 12, pp. 72131-72142, 2024, doi: 10.1109/ACCESS.2024.3398061.
S. C. Medaramatla, C. V. Samhitha, S. D. Pande, y S. R. Vinta, «Detection of Hand Bone Fractures in X-Ray Images Using Hybrid YOLO NAS», IEEE Ac-cess, vol. 12, pp. 57661-57673, 2024, doi: 10.1109/ACCESS.2024.3379760.
L. Mu et al., «Fine-Tuned Deep Convolutional Net-works for the Detection of Femoral Neck Fractures on Pelvic Radiographs: A Multicenter Dataset Vali-dation», IEEE Access, vol. 9, pp. 78495-78503, 2021, doi: 10.1109/ACCESS.2021.3082952.
S. Torne et al., «VGG-16, VGG-16 With Random Forest, Resnet50 With SVM, and EfficientNetB0 With XGBoost-Enhancing Bone Fracture Classifica-tion in X-Ray Using Deep Learning Models», IEEE Access, vol. 13, pp. 25568-25577, 2025, doi: 10.1109/ACCESS.2025.3534818.
C. Maier, J. B. Thatcher, V. Grover, y Y. K. Dwivedi, «Cross-sectional research: A critical perspective, use cases, and recommendations for IS research», Int J Inf Manage, vol. 70, p. 102625, jun. 2023, doi: 10.1016/J.IJINFOMGT.2023.102625.
«Bone Break Classification Image Dataset». Accedi-do: 14 de julio de 2025. [En línea]. Disponible en: https://www.kaggle.com/datasets/pkdarabi/bone-break-classification-image-dataset
N. Vasker, M. Hasan, M. Nuha, S. Jahan, M. Tahsin, y Md. Y. Emon, Real-time Classification of Bone Frac-tures Utilizing Different Convolutional Neural Network Approaches. 2023. doi: 10.1109/ICCIT60459.2023.10441387.
S. Turk, O. Bingol, A. Coşkunçay, y T. Aydin, «The impact of implementing backbone architectures on fracture segmentation in X-ray images», Engineering Science and Technology, an International Journal, p., 2024, doi: 10.1016/j.jestch.2024.101883.
P. M, S. M, R. N, y S. S, «Edge AI-based Bone Frac-ture Detection using TFlite», International Journal of Innovative Research in Advanced Engineering, p., 2025, doi: 10.26562/ijirae.2025.v1204.04.
A. Khanapure, H. Kashyap, A. Bidargaddi, S. Habib, y A. Anand, «Bone Fracture Detection with X-Ray images using MobileNet V3 Architecture», 2024 IEEE 9th International Conference for Convergence in Technology (I2CT), pp. 1-8, 2024, doi: 10.1109/I2CT61223.2024.10544356.
R. Bhuria y S. Gupta, «X-Ray Insights: Comprehen-sive Dataset for Bone Fracture Detection Across Di-verse Anatomical Regions», 2024 5th International Conference on Smart Electronics and Communication (ICOSEC), pp. 1242-1247, 2024, doi: 10.1109/ICOSEC61587.2024.10722406.
M. Goel y G. Singh, «Fracture Detection using Mo-bileNet Model», 2024 4th International Conference on Ubiquitous Computing and Intelligent Information Sys-tems (ICUIS), pp. 1574-1579, 2024, doi: 10.1109/ICUIS64676.2024.10866070.
S. Thota, P. Kandukuru, M. Sundaram, A. Ali, S. Muzamil, y B. Bindu, «Deep Learning based Bone Fracture Detection», 2024 International Conference on Smart Systems for applications in Electrical Sciences (ICSSES), pp. 1-7, 2024, doi: 10.1109/ICSSES62373.2024.10561360.
S. R. Sannasi Chakravarthy, N. Bharanidharan, C. Vinothini, V. Vinoth Kumar, T. R. Mahesh, y S. Guluwadi, «Adaptive Mish activation and ranger optimizer-based SEA-ResNet50 model with ex-plainable AI for multiclass classification of COVID-19 chest X-ray images», BMC Med Imaging, vol. 24, n.o 1, dic. 2024, doi: 10.1186/s12880-024-01394-2.
A. S. B. Karno et al., «Classification of cervical spine fractures using 8 variants EfficientNet with transfer learning», International Journal of Electrical and Com-puter Engineering (IJECE), p., 2023, doi: 10.11591/ijece.v13i6.pp7065-7077.
S.-T. Huang, L.-R. Liu, M.-F. Tsai, M.-Y. Huang, y H.-W. Chiu, «Developing a Deep Learning Model Using Transfer Learning from EfficientNet-b3 to De-tect Knee Fracture on X-ray Images», Proceedings of the 2023 7th International Conference on Medical and Health Informatics, p., 2023, doi: 10.1145/3608298.3608352.
K. Teeyapan, «Abnormality Detection in Musculo-skeletal Radiographs using EfficientNets», 2020 24th International Computer Science and Engineering Confer-ence (ICSEC), pp. 1-6, 2020, doi: 10.1109/ICSEC51790.2020.9375275.
H. Amin, A. Darwish, A. E. Hassanien, y M. Soli-man, «End-to-End Deep Learning Model for Corn Leaf Disease Classification», IEEE Access, vol. 10, pp. 31103-31115, 2022, doi: 10.1109/ACCESS.2022.3159678.
L. Yeh et al., «A deep learning-based method for the diagnosis of vertebral fractures on spine MRI: retro-spective training and validation of ResNet», Europe-an Spine Journal, vol. 31, pp. 2022-2030, 2022, doi: 10.1007/s00586-022-07121-1.
Y. Li et al., «Differential diagnosis of benign and malignant vertebral fracture on CT using deep learning», Eur Radiol, vol. 31, pp. 9612-9619, 2021, doi: 10.1007/s00330-021-08014-5.
K. Saini y R. Devi, «A systematic scoping review of the analysis of COVID-19 disease using chest X-ray images with deep learning models», Journal of Au-tonomous Intelligence, vol. 7, dic. 2023, doi: 10.32629/jai.v7i2.928.
A. P. Bonifaz, C. C. Rodriguez, y R. P. Esparza, «Diagnostic Reference Levels for Common X-ray Procedures in Peru», Cureus, vol. 13, p., 2021, doi: 10.7759/cureus.18566.