在X射线图像中检测膝关节骨质疏松症和骨质疏松症的一种新的多余深度学习模型
Soaad M Naguib1, Mohammed K Saleh2, Hanaa M Hamza3
1Information Systems Department, Zagazig University, Zagazig, 44519, Egypt.
Scientific reports
|October 25, 2024
概括
一个具有超流性机制的新型深度学习模型准确地对膝盖X射线进行骨质疏松症和骨质疏松症检测的分类. 这种新方法的性能优于像AlexNet和ResNet50.50.这样的标准转移学习模型.
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:
- 骨质疏松症和骨质疏松症是严重的公共卫生问题,需要准确的诊断工具.
- 目前用于膝盖疾病的诊断方法可能是劳动密集型和主观的.
- 深度学习为医疗图像的自动化和客观分析提供了潜力.
研究的目的:
- 引入一种新的深度学习 (DL) 架构,用于分类膝盖X射线图像的超流性机制.
- 评估拟议的DL模型与已建立的预训练模型 (AlexNet,ResNet50) 对检测骨质疏松症和骨质疏松症的有效性.
- 为了提高膝盖X射线图像分类的准确性和效率.
主要方法:
- 开发一种独特的DL架构,结合了流性机制,利用连接层来提取特征.
- 使用两个不同的膝盖X射线数据集对拟议模型进行培训和验证.
- 使用转移学习与预训练的AlexNet和ResNet50模型进行比较分析.
主要成果:
- 与AlexNet和ResNet50.50.相比,提出的Superfluity DL架构实现了优越的性能.
- 该模型的准确率很高:数据集1的准确率为85.42%,数据集2的准确率为79.39%.
- 超流性机制在增强特征流和分类准确性方面被证明是有效的.
结论:
- 新的超流动DL模型在膝盖疾病如骨质疏松症和骨质疏松症的自动诊断方面取得了有前途的进展.
- 这种方法为分析膝盖X射线的现有方法提供了更准确和潜在的高效的替代方案.
- 进一步的研究可以探索超流性机制在医学图像分析中的更广泛适用性.
更多相关视频
07:12Semiautomated Longitudinal Microcomputed Tomography-based Quantitative Structural Analysis of a Nude Rat Osteoporosis-related Vertebral Fracture Model
Published on: September 28, 2017
8.1K
09:02Cortical Bone Assessment Using Ultrasonic Guided Waves: A Reproducibility Study in a Healthy Population
Published on: January 31, 2025
415
