通过使用机器学习算法,通过辛格索引对部X射线进行骨质疏松症的自动查
Vijaya Kalavakonda1, Sameer Mohamed2, Lal Abhay1
1Department of Computing Technologies, School of Computing, Faculty of Engineering and Technology, SRM Institute of Science and Technology, Chennai, India.
Indian journal of orthopaedics
|September 26, 2024
概括
一个堆叠的卷积神经网络 (CNN) 准确地诊断了骨质疏松症,使用来自部X射线的辛格指数 (SI). 这种机器学习方法为骨质疏松症查和诊断提供了可靠的工具.
科学领域:
- 放射学 放射学是一门学科.
- 机器学习 机器学习
- 公共卫生 公共卫生
背景情况:
- 骨质疏松症是一个日益严重的全球健康问题.
- 辛格指数 (SI) 是使用部放射图的骨质疏松症诊断工具.
- 需要对骨质疏松症进行自动诊断.
研究的目的:
- 开发一种自动化工具来诊断骨质疏松症,使用来自部放射图像的辛格指数 (SI).
- 为了评估机器学习算法对此任务的性能.
主要方法:
- 利用印度成年人 (20-70岁) 的830张部X射线图像.
- 使用视觉变压器 (ViT),移动网络-V3和堆叠卷积神经网络 (CNN) 模型.
- 基于准确性,精度,回忆和F1分数的评估算法.
主要成果:
- 堆叠的CNN实现了93.6%的准确性,超过了ViT (62.6%) 和MobileNet-V3 (69.6%).
- 美国有线电视新闻网 (CNN) 模型表现出卓越的精度,回忆和F1分数.
- 机器学习有效地自动化了辛格指数评估.
结论:
- 堆叠的CNN模型是通过SI对骨质疏松症查和诊断的可靠工具.
- 使用CNN的自动SI评估可以改善骨质疏松症检测.
- 这种方法有助于管理骨质疏松症日益增加的负担.
