MambaOutと潜在拡散モデルを用いたX線膝関節症分類の高度化：マルチ分類アプローチ

科学分野:

• 医療画像
• 人工知能
• 整形外科学

背景:

• 膝関節症（KOA）は、広く蔓延している変性関節疾患です。
• 正確なKOA重症度分類は、患者の診断と治療に不可欠です。
• 現在の分類手法は、異なるグレード間のサンプル不均衡に課題を抱えています。

研究 の 目的:

• X線KOA重症度のための新しいマルチ分類アルゴリズムを開発すること。
• MambaOutと潜在拡散モデル（LDM）を使用してKOA分類性能を向上させること。
• KOAデータセットにおけるサンプル不均衡の問題に対処し、軽減すること。

主な方法:

• MambaOutとLDMを統合した新しいマルチ分類アルゴリズムを実装しました。
• LDMを使用してAI生成データ合成を行い、少数派クラスを増強しました。
• オートエンコーダーの損失関数を最適化し、LDMフレームワーク内に病理学的ラベルを組み込みました。

主要な成果:

• 4クラス分類タスクで平均精度86.3%を達成しました。
• 平均適合率85.3%、F1スコア0.855を取得しました。
• 平均絶対誤差を14.7%に削減し、既存の高度な手法を上回りました。

結論:

• 提案されたMambaOutとLDMベースのアルゴリズムは、KOA分類を大幅に進歩させます。
• AI生成データ合成は、医療画像におけるサンプル不均衡に効果的に対処します。
• 高度なニューラルネットワークと生成モデルのこの統合は、医療画像分析に大きな可能性を示しています。