通过使用重新定义的残留学习与卷积神经网络来分类单双分区膝关节关节炎的自动化系统

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:

• 膝关节骨关节炎 (OA) 是一种普遍的疾病,导致残疾和严重的社会经济负担.
• 射线成像是诊断膝关节OA的主要方法.
• 准确的OA解剖类型的分类对于有效的治疗和疾病管理至关重要.

研究的目的:

• 开发和评估一个深度学习模型,以根据解剖区 (单或双区) 来分类膝关节OAX射线图像.
• 将拟议模型的性能与已建立的预训练的卷积神经网络 (CNN) 进行比较.

主要方法:

• 提出了一个新的深度学习模型,利用与CNN重新定义的残留学习.
• 该模型在733张膝关节X射线图像的数据集上进行了训练和验证,包括正常的,单的和双的OA.
• 使用准确性和特异性指标评估性能,并与预先训练的CNN进行比较.

主要成果:

• 拟议的深度学习模型的准确率为61.81%,具体性为68.33%.
• 该模型表现出优异的性能,与所有评估的预训练CNN相比,用于膝盖OA分类.

结论:

• 开发的深度学习模型显示了从X射线图像中对膝关节OA的解剖类型进行分类的希望.
• 这种方法在自动化膝关节OA诊断和管理方面提供了潜在的进步.