نهج التعلم العميق القائم على التعلم لتصنيف هشاشة العظام في الركبة باستخدام بنية XceptionNet المعدلة

H. K. Shashikala; M. B. Suresh

doi:10.3791/68720

Research Article

نهج التعلم العميق القائم على التعلم لتصنيف هشاشة العظام في الركبة باستخدام بنية XceptionNet المعدلة

DOI:

10.3791/68720

⸱

August 22nd, 2025

H. K. Shashikala¹ , M. B. Suresh²

¹Research Scholar, Department of Computer Science and Engineering, K S Institute of Technology, Visvesveraya Technological University, ²Professor & Head, Department of Artificial Intelligence and Machine Learning, K S Institute of Technology

Summary

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

من أجل تعزيز تحديد هشاشة العظام في الركبة من الأشعة السينية ، تقترح هذه الدراسة OsteoXceptionNet ، وهو نموذج للتعلم العميق يستخدم XceptionNet المعدل مع نقل التعلم. يعمل هذا النموذج على تحسين استخراج الميزات ، وتقليل أخطاء التفسير اليدوي ، ويسمح بتصنيف آلي أكثر دقة.

Abstract

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

يؤثر هشاشة العظام في الركبة (KOA) على ملايين الأفراد في جميع أنحاء العالم وليس له علاج علاجي معروف ، مما يجعله مصدر قلق صحي عالمي خطير. تعتمد إدارة تطوره على الاكتشاف المبكر ، والتصوير بالأشعة السينية هو تقنية تشخيصية أساسية. ومع ذلك ، نظرا للاختلافات في مستويات خبرة أخصائيي الأشعة ، فإن التفسير اليدوي بالأشعة السينية يزيد من التباين وعدم الدقة المحتملة. أدت التطورات الحديثة في التعلم الآلي وتقنيات التعلم العميق إلى إنشاء أنظمة آلية للتحديد الإشعاعي لهشاشة العظام في الركبة. ومع ذلك ، بالنسبة للكشف في المراحل المبكرة ، لا يزال الحصول على دقة تنبؤ أكبر أمرا بالغ الأهمية. من خلال الاستفادة من الرؤى التي تم جمعها من مجموعة بيانات أكبر ، تعمل النماذج المدربة على مجموعات بيانات أصغر خاصة بالمجال بشكل أفضل من خلال استخدام نقل التعلم. نظرا لعمقها وفعاليتها ، فإن XceptionNet مناسبة بشكل خاص للوظائف التي تنطوي على تفسير الصور الطبية. على عكس الأبحاث السابقة ، تعالج هذه الطريقة بكفاءة عدم توازن مجموعة البيانات باستخدام مناهج موازنة الفئات ، ودمج خط أنابيب المعالجة المسبقة المخصص ، وإضافة تحسينات معمارية مخصصة إلى XceptionNet ، مما يحسن تحديد KOA في المرحلة المبكرة. باستخدام هذه الأساليب الحديثة ، يظهر النهج المقترح إمكانية تحديد هشاشة العظام بشكل صحيح من الصور الشعاعية للركبة ، وتحقيق دقة تنبؤ بنسبة 97٪ ، ودقة 97.8٪ ، واستدعاء 97.6٪ ، و 97.6٪ قياس F1. بالإضافة إلى ذلك ، أظهر النموذج الذي تم إنشاؤه 95.94٪ قيمة كابا كوهين ، مما يشير إلى اتفاق جيد. تدعم الدراسة المزيد من الجهود لتطوير تقنية موثوقة وآلية للكشف عن الأمراض ، والتي تعمل على تحسين نتائج المرضى وتسهيل تقديم رعاية صحية أكثر كفاءة.

Introduction

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

هشاشة العظام في الركبة (KOA) هي مشكلة صحية عامة مهمة في جميع أنحاء العالم تؤثر على عدد كبير من الناس وتضع عبئا كبيرا على كل من المرضى ومؤسسات الرعاية الصحية. يتدهور الغضروف المفصلي لمفصل الركبة تدريجيا في هذا الاضطراب. لها مسببات معقدة ومتعددة الأبعاد تتضمن مزيجا من العمر والسمنة وصدمات المفاصل والمتغيرات الميكانيكية الحيوية والقابلية الوراثية¹.

يؤدي فقدان السلامة الهيكلية إلى ترقق الغضروف ، والتشقق ، والتآكل في نهاية المطاف ، مما يؤدي إلى تعريض العظم الأساسي. يمكن أن تتراوح أعراض KOA على نطاق واسع وتزداد سوءا بشكل متكرر بمرور الوقت ، من القليل من الانزعاج إلى الألم الذي لا يطاق وفقدان الوظيفة²

Access restricted. Please log in or start a trial to view this content.

Protocol

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

يقدم هذا القسم نهجا شاملا مصمما لتعزيز تشخيص هشاشة العظام في الركبة وتصنيفها من خلال استخدام نموذج XceptionNet المعدل. تعتمد المنهجية المقدمة على المعالجة المسبقة الدقيقة للبيانات ، والتخصيص الشامل لبنية النموذج ، وتقنيات التقييم القوية ، وكلها تهدف إلى معالجة المشكلات المعقدة المرتبطة بتصوير الزراعة العضوية في الركبة. في الشكل 2 ، تم توضيح تدفق النموذج.

figure-protocol-1
الشكل 2: سير عمل النموذج.

Access restricted. Please log in or start a trial to view this content.

Results

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

تم اتخاذ العديد من التدابير الهامة طوال مرحلة التحقق من صحة النموذج لضمان تعميمه على البيانات التي لم يتم ملاحظتها بعد. في البداية ، يتم تقسيم مجموعة البيانات إلى مجموعات تدريب والتحقق من الصحة. هذا إجراء شائع يستخدم لتقييم أداء النموذج على مجموعة بيانات لم يتم استخدامها في التدريب. من خلال تقديم مجموعات بيانات منفصلة للتدريب والتحقق من الصحة ، تجنب هذا الفصل الإفراط في الملاءمة وسمح بإجراء تقييم شامل لفعالية النموذج.

تم استخدام مناهج زيادة البيانات لتحسين التدريب بشكل أكبر ووقف الإفراط في الت.......

Access restricted. Please log in or start a trial to view this content.

Discussion

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

قدمت الدراسة تقنية آلية قائمة على التعلم العميق لتصنيف KOA باستخدام صور الأشعة السينية. أظهر النموذج ، الذي استخدم بنية XceptionNet ، متانة ودقة ملحوظين عبر مجموعة من مقاييس التقييم ، مما يشير إلى أنه قد يجد استخدامه في الإعدادات السريرية.

بالإضافة إلى المنهجية الحالية ، يمكن استخدام التحقق من صحة مجموعة البيانات الخارجية لتأكيد الفرضية بشكل أكبر وتقييم قابلية تعميم النموذج عبر ظروف التصوير المختلفة والبيانات الديموغرافية. يمكن أيضا تقييم فعالية النموذج في الع.......

Access restricted. Please log in or start a trial to view this content.

Disclosures

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

يعلن المؤلفون أنه ليس لديهم تضارب في المصالح فيما يتعلق بنشر هذه المخطوطة. لم تؤثر أي انتماءات مالية أو شخصية على البحث أو النتائج أو الاستنتاجات المقدمة في هذا العمل.

Acknowledgements

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

لم يتلق هذا البحث أي منحة محددة من أي وكالة تمويل في القطاعات العامة أو التجارية أو غير الهادفة للربح.

مساهمة المؤلف:
التصور ، SHK. المنهجية ، SHK. البرمجيات ، SHK. التحقق من الصحة ، SMB. تنظيم البيانات ، SHK ؛ الموارد ، SHK. إعداد مسودة الكتابة الأصلية ، SHK ؛ الكتابة والمراجعة والتحرير، SHK. التصور ، SMB. الإشراف ، SMB. إدارة المشروع، SMB.

....

Access restricted. Please log in or start a trial to view this content.

Materials

List of materials used in this article
Name	Company	Catalog Number	Comments
Jupyter دفتر الملاحظات / Colab	مشروع Jupyter / جوجل	غير متاح	لتطوير وتجربة النماذج بشكل تفاعلي.
Matplotlib (الإصدار: 3.4.3) & Seaborn (الإصدار: 0.11.2)	مجتمع	غير متاح	لتصور البيانات ومخططات النتائج.
بيانات Mendeley / Kaggle	السفير; مجتمع	غير متاح	مصدر مجموعة البيانات: مجموعة بيانات درجة شدة هشاشة العظام في الركبة
OpenCV (الإصدار: 4.5.5)	انتل	غير متاح	للمعالجة المسبقة لصور الأشعة السينية (تغيير الحجم ، CLAHE ، التصفية الغاوسية).
بايثون (الإصدار: 3.8)	مؤسسة برامج بايثون	غير متاح	لغة البرمجة المستخدمة لتطوير النماذج.
scikit-learn (الإصدار: 1.0.2)	مجتمع	غير متاح	تستخدم لتقسيم البيانات ومقاييس الأداء وأدوات التعلم الآلي الأساسية.
TensorFlow / كيراس	جوجل/المجتمع	غير متاح	يستخدم لتنفيذ وتدريب نموذج التعلم العميق المستند إلى XceptionNet. إصدار Tensorflow: 2.6.0 ، RRID: SCR_018932. إصدار Keras: 2.6.0 ، RRID: SCR_018961
نظام التشغيل Ubuntu	قانوني	غير متاح	نظام التشغيل المستخدم للتوافق مع جميع أدوات البرامج. يوصى باستخدام الإصدار 20.04.

References

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

He, Y., et al. Pathogenesis of osteoarthritis: risk factors, regulatory pathways in chondrocytes, and experimental models. Biology. 9 (8), 194(2020).
Kulkarni, P., Martson, A., Vidya, R., Chitnavis, S., Harsulkar, A. Pathophysiological landscape of osteo....

Access restricted. Please log in or start a trial to view this content.

Reprints and Permissions

Request permission to reuse the text or figures of this JoVE article

Request Permission

نهج التعلم العميق القائم على التعلم لتصنيف هشاشة العظام في الركبة باستخدام بنية XceptionNet المعدلة

In This Article

Summary

Abstract

Introduction

Protocol

Results

Discussion

Disclosures

Acknowledgements

Materials

References

Reprints and Permissions

Tags

Related Articles