通过使用基于CNN的分类来对抗膝关节关节炎和严重程度评估的深度学习
Suman Rani1, Minakshi Memoria1, Ahmad Almogren2
1Department of Computer Science and Engineering, Uttaranchal Institute of Technology (UIT), Uttaranchal University, Dehradun 248007, Uttarakhand, India.
BMC musculoskeletal disorders
|October 16, 2024
概括
这项研究引入了深度学习卷积神经网络 (CNN) 模型,用于准确检测膝关节关节炎 (KOA). 人工智能模型在分类KOA严重程度方面实现了高精度,提高了诊断能力.
科学领域:
- 医学成像和人工智能 医学成像和人工智能
- 为医疗保健提供深度学习.
- 骨科和肌肉骨系统疾病
背景情况:
- 膝关节骨关节炎 (KOA) 是一种使人虚弱的疾病,导致疼痛和流动性丧失.
- 衰老,肥胖和创伤是KOA的主要危险因素.
- 准确的诊断和KOA的分类对于有效的患者管理至关重要.
研究的目的:
- 开发和评估用于膝关节骨关节炎 (KOA) 检测和严重程度分类的深度学习模型.
- 利用医学图像处理和卷积神经网络 (CNN) 来提高诊断准确性.
- 与现有的方法相比,建立一个更有效,更准确的方法来识别KOA.
主要方法:
- 一个12层的卷积神经网络 (CNN) 架构被设计用于二进制和多类KOA分类.
- 骨关节炎倡议 (OAI) 数据集被用于培训和验证.
- 医疗图像处理技术被用于分析膝关节数据.
主要成果:
- 拟议的CNN模型在KOA的二进制分类中实现了92.3%的准确性.
- 该模型在使用Kellgren-Lawrence (KL) 级别对KOA严重程度的多类分类中显示了78.4%的准确性.
- 开发的算法在两个分类任务中都超过了以前的方法.
结论:
- 深度学习方法显示了促进骨关节炎检测和分类的巨大潜力.
- 未来的工作包括扩大数据集,并将该方法应用于各种临床场景.
- 这种由人工智能驱动的方法承诺更准确的诊断,可能减少对医疗从业者广泛干预的需要.
