通过DMS改善膝关节关节炎诊断:一种新的密集多尺度卷积神经网络方法
Di Zhang1, Yuting Dong1, Yao Xu2
1School of Acupuncture and Tuina, Chengdu University of Traditional Chinese Medicine, Chengdu, China.
Journal of orthopaedic surgery and research
|December 20, 2024
概括
一个新的密集多尺度 (DMS) 模型使用深度学习准确预测膝关节骨关节炎 (OA). 这种人工智能工具可以改善膝关节OA患者的早期诊断和治疗选择.
科学领域:
- 医疗成像中的人工智能
- 深度学习用于诊断.
- 计算病理学计算病理学
背景情况:
- 膝关节骨关节炎 (OA) 是一种广泛的退行性关节疾病,其全球影响越来越大.
- 目前的诊断依赖于主观的,耗时的视觉分析,需要自动化解决方案.
- 早期和准确检测膝关节OA对于有效的治疗和患者的结果至关重要.
研究的目的:
- 开发和评估一种新的卷积神经网络 (CNN) 模块,用于自动预测膝关节OA.
- 与现有方法相比,提高诊断准确性和效率.
- 为改善膝关节OA的早期检测和分级提供一个工具.
主要方法:
- 开发了一个密集多尺度 (DMS) CNN模块,结合了不同卷积大小和层的密集连接.
- 增强功能重复使用和复杂性识别,以提高预测能力.
- 通过使用未见测试数据集对标准基线 (DenseNet) 验证了DMS模型.
主要成果:
- 在未见数据上,DMS模型实现了73.00%的准确性和92.73%的AUC.
- 超过了基线DenseNet模型,该模型获得了63.52%的准确性和88.76%的AUC.
- 在膝关节OA检测和分级方面表现出卓越的预测能力.
结论:
- DMS模型代表了膝盖OA预测和分级的重大进步.
- 通过帮助放射科医生进行准确的诊断和治疗计划,提供了大量的临床价值.
- 有潜力减少误诊率和减轻患者负担.
