对DenseNet169基膝关节骨关节炎检测模型的适应性早期停止技术
Bander Ali Saleh Al-Rimy1, Faisal Saeed2, Mohammed Al-Sarem3
1Department of Computer Science, Faculty of Computing, Universiti Teknologi Malaysia, Johor Bahru 81310, Malaysia.
Diagnostics (Basel, Switzerland)
|June 10, 2023
概括
这项研究引入了一种具有逐渐交叉损失的适应性早期停止技术,用于在X射线图像上使用DenseNet169改进膝关节骨关节炎检测,从而提高诊断准确度.
科学领域:
- 医疗信息学 医疗信息学
- 医学成像分析 医学成像分析
- 医疗保健中的人工智能
背景情况:
- 膝关节骨关节炎 (OA) 诊断对于管理这种普遍的疾病至关重要.
- 从X射线图像中准确检测膝关节OA仍然是健康信息学中的一个重大挑战.
- 深度学习模型显示出希望,但需要优化以防止过度拟合和最大限度地提高诊断性能.
研究的目的:
- 通过使用X射线图像评估DenseNet169深度学习架构在膝盖骨关节炎检测中的有效性.
- 为优化培训过程,提出并整合一种适应性早期停止技术,并对逐渐交叉 (GCE) 损失进行估计.
- 为了提高膝盖OA检测模型的准确性和可靠性.
主要方法:
- 利用DenseNet169卷积神经网络架构来分析膝盖X射线图像.
- 开发了一个基于验证准确度值的自适应性早期停止机制,以防止模型过拟合.
- 将渐进交叉 (GCE) 损失估计技术集成到训练时代中.
- 在DenseNet169模型中,结合了适应性早期停止和GCE,用于膝关节OA检测.
主要成果:
- 拟议的模型结合了自适应早期停止和GCE,与现有方法相比,其表现优越.
- 在检测膝关节骨关节炎方面取得了更高的准确性,精度和回忆力.
- 适应性早期停止和GCE技术有效地优化了DenseNet169模型的训练,减少了过拟合和改善了通用化.
结论:
- 适应性早期停止与逐渐的交叉损失的整合显著提高了DenseNet169在膝关节OA检测方面的性能.
- 这种方法提供了一种可靠的方法,可以通过X射线图像准确有效地诊断膝关节关节炎.
- 这些发现表明,改善肌肉骨成像中的计算机辅助诊断系统是一个有希望的方向.
