在使用机器学习的盆腔数字放射扫描中,以凯尔格伦-劳伦斯尺度自动确定关节炎
Karolina Nurzynska1, Marek Wodzinski2, Adam Piórkowski3
1Algorithmics and Software Division, Silesian University of Technology, Akademicka 16, Gliwice, 44-100, Poland.
Computer methods and programs in biomedicine
|April 17, 2025
概括
深度学习模型从骨盆放射图准确地分类关节炎,达到0.98的准确性来区分健康和严重的病例. 这种自动化分析有助于标准化关节骨关节炎评估.
科学领域:
- 医学成像分析分析 医学成像分析
- 医疗保健中的人工智能
- 骨科诊断器 骨科诊断器 骨科诊断器
背景情况:
- 数字盆腔放射图的自动化分析可以标准化关节炎 (骨关节炎) 的分级.
- 凯尔格伦 - 劳伦斯尺度是评估骨关节炎严重程度的标准.
研究的目的:
- 评估和比较传统的机器学习与深度学习用于自动化关节炎分类.
- 为了确定人工智能在标准化射线图描述中的有效性.
主要方法:
- 使用纹理特征的传统机器学习与各种深度学习网络架构的比较.
- 对二元分类 (健康与严重) 和五类问题进行评估.
主要成果:
- 深度学习模型的表现明显优于传统方法,在区分健康和严重的关节炎方面获得了0.98的正确分类.
- 当所有五个Kellgren-Lawrence等级都被考虑时,由于阶级不平衡,绩效下降.
结论:
- 深度学习模型需要对感兴趣的区域进行训练,以精确检测关节炎.
- 数据预处理对深度学习模型的影响很小,但对传统模型来说是显著的.
- 自动化的人工智能分析显示,对标准化关节骨关节炎评估有希望.
