集成深度学习网络,用于在膝盖X射线图像中自动化骨关节炎分级
Sun-Woo Pi1, Byoung-Dai Lee1, Mu Sook Lee2
1Division of AI and Computer Engineering, Kyonggi University, Suwon, Republic of Korea.
Scientific reports
|December 22, 2023
概括
这项研究引入了一个深度学习整体网络,用于使用X射线准确地分类膝盖关节骨关节炎的严重程度. 该模型实现了高性能,改善了主观临床评估,以便更好地诊断.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 整形外科 整形外科 整形外科
背景情况:
- 凯尔格伦-劳伦斯 (KL) 评分系统是通过X射线评估膝关节骨关节炎严重程度的标准.
- 临床KL分级是主观的,导致取决于临床医生的经验的可变准确性.
研究的目的:
- 开发一个深度学习整体网络,以便对膝关节骨关节炎进行一致和准确的KL分级.
- 克服主观临床评估的局限性,提高诊断准确性.
主要方法:
- 开发了一个集体深度学习网络,使用在不同图像大小的膝盖X射线数据集上训练的个体模型.
- 在骨关节炎倡议数据集中的8260张图像上训练模型.
- 使用Grad-CAM用于模型解释性和焦点评估.
主要成果:
- 整体网络实现了76.93%的准确性和F1分数为0.7665.
- 与现有的KL等级分类技术相比,表现出优异的性能.
- 模型可视化证实了重点关注关键的膝关节空间特征.
结论:
- 拟议的深度学习整体网络为膝关节骨关节炎的KL分级提供了更准确和更一致的方法.
- 该模型显示了改善膝关节骨关节炎诊断的巨大潜力.


