肋骨骨折是一种常见的胸部损伤。诊断所需的 CT（Computed Tomography）图像通常包含上百张切片，容易出现漏诊现象。因此，如何通过计算机定性的判断病例是否存在肋骨骨折，以及定位肋骨骨折位置具有重要的研究价值。本研究针对上述问题，从肋骨骨折的分类、检测两方面开展辅助诊断研究，主要研究工作及创新如下：

（1）提出并实现基于分组聚合网络的肋骨骨折分类模型。该模型通过分组聚合的网络结构将相邻切片聚合在一起共同提取特征，有效抑制模型学习距离过远的切片间的无效特征。同时，该模型契合 CT 图像垂直分辨率要远低于水平分辨率的数据特点。

（2）针对肋骨骨折检测任务中检测模型学习效率低的问题，提出了 FA（Filter Anchor）模块用于提高包含骨组织及其附近区域的锚框的训练频率，使模型更注重于学习与骨组织有关的区域特征。另外，通过 SE（Squeeze-and-Excitation Module）在不降低检测任务所需的位置敏感性的前提下，提升的了浅层特征的辨别性。

（3）统计得到模型诊断为骨折而临床诊断为非骨折的数据共 51 例，其中临床报告诊断正确 36 例，约占总病例的 14%，模型诊断正确 15 例，约占总病例的 6%。可以大致估计，提出的模型在增加医生约 20% 的工作量的情况下，可以减少约 88% 的漏诊病例。