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. عادة ما تزداد العلامة الأساسية لألم الركبة سوءا بسبب تمارين حمل الوزن وفترات النشاط الطويلة. تشمل الملاحظات الشائعة التصلب ، خاصة أثناء فترات الراحة ، والوذمة ، والشقوق ، وانخفاض نطاق الحركة³. تتداخل هذه الأعراض بشدة مع الأداء اليومي ، مما يؤدي إلى قيود وظيفية وانخفاض في نوعية الحياة لأولئك الذين يعانون منها.

الفرضية التي تم اختبارها هنا هي أن النموذج الآلي القائم على التعلم العميق يمكن أن يعمل تشخيصيا على قدم المساواة مع أخصائيي الأشعة المحترفين ويشخص بشكل صحيح مستوى شدة KOA من بيانات التصوير باستخدام نظام تصنيف Kellgren-Lawrence.

ينشأ الغرض من هذه الدراسة من القيود المتأصلة المرتبطة بالطرق التقليدية لتشخيص وتصنيف هشاشة العظام في الركبة. تقليديا ، يتم استخدام التصوير الشعاعي ، وخاصة تحليل الأشعة السينية للركبة ، لتقييم درجة تلف المفاصل. ومع ذلك ، فإن الفحص البدني لهذه الصور عرضة للتباين ويمكن أن يستغرق وقتا^{طويلا 4}. توفر التطورات في مجالات التعلم العميق والتعلم الآلي (ML) مسارا واعدا لأتمتة وتعزيز دقة اكتشاف KOA وتصنيفه ، مما يوفر نهجا أكثر توحيدا وكفاءة. هذا أمر بالغ الأهمية بشكل خاص في المراحل المبكرة من الحالة ، حيث يمكن أن يؤثر التدخل بشكل كبير على التغيرات في مستوى معيشة المريض مع تقدم الحالة.

مناهج التعلم الآلي: استندت المحاولات الأولى لأتمتة تحديد KOA إلى طرق التعلم الآلي الكلاسيكية. اعتمدت استراتيجيات مثل K-Nearest Neighbours و Support Vector Machine و Decision Tree على الميزات المصنوعة يدويا التي تم التقاطها من صور الأشعة السينية للركبة. على الرغم من أنها توفر بعض الأتمتة ، إلا أن جودة وملاءمة الخصائص المشتقة يدويا كانت عاملا رئيسيا في مدى فعاليتها. أدى هذا في كثير من الأحيان إلى ضعف التعميم والأداء⁵.

مناهج التعلم العميق (DL): كان ظهور الشبكات العصبية التلافيفية ، أو التعلم العميق ، علامة فارقة في المنطقة. بفضل سمعتها في استخراج الميزات الآلي ، أصبحت الشبكات العصبية التلافيفية (CNNs) أكثر شيوعا في تحليل صور KOA. بالمقارنة مع تقنيات التعلم الآلي التقليدية ، أظهرت هذه الخوارزميات تحسنا ملحوظا من حيث الدقة والقدرة على التعرف على الأنماط المعقدة مباشرة من الصور⁶^،⁷.

نقل التعلم (TL): يتيح ذلك تصميم النماذج للمهام التي تتطلب التصوير الطبي بعد تدريبها مسبقا على مجموعات البيانات العامة واسعة النطاق ، وقد اكتسب شعبية في الأبحاث^{الحديثة 8}. يعمل هذا النهج بشكل جيد بشكل خاص في المجال الطبي ، حيث تكون مجموعات البيانات الصغيرة والمتخصصة شائعة.

يتم تسليط الضوء على النتائج المحسنة في تصنيف شدة KOA بواسطة TL ، والذي يستخدم الميزات العامة المستفادة من المهام الأكبر ويصممها وفقا لتفاصيل معينة لتحليل الصور الطبية⁹^،¹⁰.

لتحديد KOA وتصنيفه باستخدام صور التصوير الشعاعي ، تم فحص عدد من التقنيات الآلية - وخاصة نماذج التعلم العميق - في السنوات الأخيرة¹¹^،¹². ومع ذلك ، فإن الكثير من النماذج الحالية إما لا تتعامل بشكل كاف مع المشكلات المتعلقة بعدم توازن مجموعة البيانات وقابليتها للتفسير ، أو أنها لا تكتشف المشكلات في مرحلة مبكرة بدقة كافية. تتوسع الطريقة المقترحة هنا في هذا الإطار من خلال إضافة ثلاثة تحسينات مهمة: تغييرات التصميم على نموذج XceptionNet لتحسين استخراج الميزات ، وتقنيات موازنة الفصل لزيادة موثوقية النموذج ، وخط أنابيب المعالجة المسبقة المخصص المصمم لتحسين ميزات مفصل الركبة. جنبا إلى جنب مع دعم تصنيف KOA الأكثر دقة وموثوقية ، توفر هذه التحسينات تحسنا كبيرا مقارنة بتقنيات التعلم التقليدية للتحويل.

على الرغم من أن DL و ML قد أظهرا تقدما كبيرا في تحليل KOA ، إلا أنه لا تزال هناك تحديات يجب التغلب عليها ، خاصة من حيث تحقيق تصنيف دقيق ، وتحسين قابلية التفسير ، وإدارة اختلال توازن البيانات. تتوسع الدراسة المقترحة في الدراسات السابقة¹³^،¹⁴^،¹⁵^،¹⁶^،¹⁷^،¹⁸^،¹⁹^،²⁰^،²¹^،²² من خلال تقديم تقييم أكثر شمولا وشفافية وإنصافا ، وبالتالي دفع حدود ما هو ممكن حاليا في التشخيص الآلي ل KOA وتصنيفه. يوضح الجدول 1 تحليل الأبحاث الحالية التي أجريت في الكشف عن هشاشة العظام.

درس	هدف	ملخص
Hu et ^al.13	قم بتطوير DeepKOA للتنبؤ بتطور هشاشة العظام في الركبة باستخدام صور التصوير بالرنين المغناطيسي.	يظهر DeepKOA قدرات واعدة للتنبؤ بهشاشة العظام في الركبة ، مما يسلط الضوء على إمكانات التعلم العميق في البيئات السريرية. هناك حاجة إلى مزيد من التحقق.
Guida et ^al.14	تحسين تصنيف شدة الزراعة العضوية من خلال دمج الأشعة السينية والتصوير بالرنين المغناطيسي والبيانات السريرية.	يعمل نموذج الاندماج على تحسين دقة تصنيف الزراعة العضوية بشكل كبير ، مما يسلط الضوء على فوائد النهج متعدد الوسائط. يجب أن تتناول البحوث المستقبلية قابلية التعميم.
Bensalma et ^al.15	تحديد الارتباطات بين العوامل المختلفة في مرضى هشاشة العظام في الركبة باستخدام التحليل متعدد الوسائط.	تكشف الدراسة عن علاقات متبادلة بين عوامل متعددة في التهاب المفاصل في الركبة ، مما يقترح طرقا للتدخلات المستهدفة ومزيد من التحقيق.
كوبولد وآخرون ¹⁶	افحص تأثير الصيام المعدل لفترات طويلة على أعراض هشاشة العظام.	يظهر الصيام المعدل تحسنا ملحوظا في الأعراض لدى مرضى هشاشة العظام ، مما يشير إلى إمكاناته كاستراتيجية علاجية. من الضروري إجراء المزيد من الدراسات ، وخاصة التجارب المعشاة ذات الشواهد.
جاين ^{وآخرون 17}	تقديم OsteoHRNet لتقييم شدة التهاب المفاصل في الركبة من الأشعة السينية.	يحقق OsteoHRNet دقة محسنة في تصنيف شدة التهاب المفاصل في الركبة من الأشعة السينية ، مما يشير إلى قدرته على التطبيق السريري. يوصى بمزيد من التحقق من صحة مجموعة البيانات.
أفروز وآخرون ¹⁸	تقييم الأساليب القائمة على التعلم الآلي للكشف عن هشاشة العظام (OA) عبر طرق التصوير المختلفة.	تحدد المراجعة الثغرات الحرجة في الكشف عن النفاذ المفتوح القائم على التعلم الآلي ، مع التركيز على الحاجة إلى مناهج موحدة ونماذج تجريبية.
تيوه وآخرون ¹⁹	تطوير نموذج متعدد المهام لتشخيص الزراعة العضوية التفصيلي من التصوير الشعاعي.	يعمل النموذج متعدد المهام على تحسين دقة تشخيص الزراعة العضوية من خلال التنبؤ بميزات الزراعة العضوية الفردية وشدة الألم ، مما يشير إلى إمكانية التدخلات الدقيقة. يتم تشجيع إجراء مزيد من البحث لتوسيع هذه النتائج.
تشانغ وآخرون ²⁰	قم بإنشاء نموذج لتصنيف إصابات غضروف الركبة متعدد المستويات في التصوير بالرنين المغناطيسي.	يوفر النموذج دقة عالية في تصنيف إصابات غضروف الركبة باستخدام التصوير بالرنين المغناطيسي ، مما يدل على الوعد كأداة تشخيصية غير جراحية. ينصح بمزيد من التحقق من صحة السكان
لي ^{وآخرون21}	لفحص تأثير الصور متعددة المشاهدات والمعلومات السابقة ، بالإضافة إلى قدرة نموذج التعلم العميق على تحديد وتصنيف هشاشة العظام في الركبة باستخدام الأشعة السينية.	تم تحديد تصنيف KL ل KOA وتصنيفه بشكل صحيح باستخدام نموذج DL. علاوة على ذلك ، عززت المعرفة السابقة وصور الأشعة السينية متعددة المشاهدات فعالية التصنيف.
راتنا وآخرون ²²	اكتشف كيفية استخدام التعلم الآلي في أبحاث هشاشة العظام في الركبة لفهم تطور الحالة والتشخيص المبكر بشكل أفضل.	تؤكد الدراسة على كيفية تأثير التعلم الآلي على أبحاث الزراعة العضوية ، لا سيما فيما يتعلق بالتشخيص المبكر وفهم التطور ، وتوصي بمزيد من البحث لتحسين تكاملها السريري.

الجدول 1: نظرة عامة على الأعمال الحديثة في الكشف عن هشاشة العظام في الركبة.

تشمل المساهمات الأساسية للعمل OsteoXceptionNet ، وهي بنية XceptionNet معدلة مخصصة لتصنيف هشاشة العظام في الركبة ، واستخدام خط أنابيب المعالجة المسبقة الذي تم إنشاؤه خصيصا لزيادة الدقة في التشخيص. تستخدم مجموعة بيانات مبادرة هشاشة العظام (OAI) للتدريب ، ويتم استخدام العديد من التصميمات الأساسية للتقييم. يتم وصف مجموعة البيانات وتقنيات التحضير في الأجزاء اللاحقة من الدراسة بعد مراجعة الأدبيات ذات الصلة. بعد نظرة عامة على النتائج التجريبية ومناقشة الأهمية السريرية ، يتعمق أكثر في بنية النموذج المقترحة قبل تلخيص النتائج الرئيسية وتقديم الاتجاهات المستقبلية.

مجموعة البيانات والتكوين التجريبي
مجموعة بيانات OAI ، التي تتكون من آلاف صور الأشعة السينية للركبة المشروحة التي تم جمعها بمرور الوقت من مواقع سريرية مختلفة ، متاحة للجمهور لاستخدامها في هذه الدراسة. تم تمثيل خمس فئات من Kellgren-Lawrence (KL) من هشاشة العظام في الركبة من خلال 9786 صورة بالأشعة السينية للركبة المستخدمة في هذه الدراسة: صحي (3857 صورة) ، مشكوك فيه (1770) ، الحد الأدنى (2578) ، معتدل (1286) ، وشديد (295). أثناء المعالجة المسبقة ، تم تغيير حجم جميع الصور بشكل موحد إلى 224 × 224 بكسل باستخدام الاستيفاء ثنائي الخط. تم استخدام إطار عمل OsteoXceptionNet المقترح في الإعداد التجريبي لتقسيم هياكل مفصل الركبة تلقائيا ثم تصنيفها إلى فئات شدة KOA.

لضمان أكبر قدر ممكن من التوازن في الفصل ، تم تقسيم مجموعة البيانات إلى مجموعات فرعية للتدريب (80٪) ، والتحقق من الصحة (10٪) ، والاختبار (10٪). تحتوي مجموعة البيانات على العديد من العيوب على الرغم من فائدتها ، مثل عدم التوازن الطبقي ، مع وجود عدد أقل من العينات التي تقع في المجموعة الشديدة أكثر من غيرها. بالإضافة إلى ذلك ، تتضمن مجموعة البيانات فقط التصوير الشعاعي. يفتقر إلى المدخلات متعددة الوسائط مثل التصوير بالرنين المغناطيسي (MRI) أو المعلومات السريرية ، مما قد يحد من قابليته للتعميم. يعد الانحراف الديموغرافي ، الذي يحد من أهمية البيانات للمجموعات العرقية الأخرى لأنها تمثل في الغالب سكان أمريكا الشمالية ، عيبا آخر جدير بالملاحظة. على الرغم من استخدام وظائف الخسارة المرجحة للفئة وزيادة البيانات للتخفيف من هذه القيود عندما يكون ذلك ممكنا ، إلا أن هذه لا تزال اعتبارات حاسمة عند تحليل أداء النموذج.

بناء على نتائج التصوير الشعاعي ، تصنف طرق الدرجات ، مثل نظام Kellgren-Lawrence (KL) للتصنيف ، شدة KOA إلى خمس فئات: الدرجة 0 (صحية) ، والدرجة 1 (مشكوك فيها) ، والدرجة 2 (الحد الأدنى) ، والدرجة 3 (معتدلة) ، والدرجة 4 (شديدة) ²³. تظهر صور مختلفة لدرجات KL في الشكل 1.

figure-introduction-1
الشكل 1: تصنيف كوالالمبور لصور الركبة. بناء على نتائج التصوير الشعاعي ، تم تصنيف شدة KOA إلى خمس فئات: الدرجة 0 (صحية) ، والدرجة 1 (مشكوك فيها) ، والدرجة 2 (الحد الأدنى) ، والدرجة 3 (معتدلة) ، والدرجة 4 (شديدة). الرجاء النقر هنا لعرض نسخة أكبر من هذا الرقم.

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. الرجاء النقر هنا لعرض نسخة أكبر من هذا الشكل.

وصف مجموعة البيانات
تتكون مجموعة البيانات المستخدمة في هذا البحث من 9,786 صورة بالأشعة السينية للركبة من مجموعة بيانات OAI التي تم تعيينها درجة OA بناء على تقنية تصنيف KL. تعد مجموعة البيانات هذه ، التي تقدم مجموعة واسعة من الحالات التي تغطي المراحل المختلفة ل KOA ، ضرورية لكل من تدريب وتقييم النموذج^{المقترح 24}. تم استخدام الاستيفاء ثنائي الخط لقياس جميع الصور. تم اختيار هذه التقنية لأنها تضرب حلا وسطا بين الفعالية الحسابية والحفاظ على جودة الصورة ، وكلاهما ضروري للحفاظ على السمات التشريحية المهمة لتصنيف هشاشة العظام في الركبة. في مجموعة البيانات ، تكون الدرجات من 0 إلى 4 ، حيث تمثل الدرجة 0 ركبة صحية والدرجة 4 تدل على هشاشة العظام الشديدة. تقدم هذه الدرجة مجموعة معقدة من تطور المرض ، وهو أمر ضروري للنموذج لفهم الاختلافات الدقيقة عبر المراحل.

بالإضافة إلى ذلك ، تم تنظيم مجموعة البيانات في مجموعات الاختبار والتحقق والتدريب. لتقييم أداء النموذج والتأكد من أنه يتعلم التعميم بشكل فعال دون الإفراط في تجهيز مجموعة التدريب ، كان هذا الانقسام ضروريا. تقدم مجموعة الاختبار تقييما موضوعيا لفعالية النموذج النهائي ، حيث تم استخدامه لتعديل أوزان النموذج أيضا. علاوة على ذلك ، تساعد مجموعة التحقق في ضبط المعلمات الفائقة وتقييم النماذج طوال مرحلة التدريب. يتم توفير ملخص موجز لتوزيع البيانات في الجدول 2 ، ويوفر الشكل 3 تصويرا مرئيا لنفسها.

فصل	الاختبار التلقائي	اختبر	قطار	فال
0	604	639	2286	328
1	275	296	1046	153
2	403	447	1516	212
3	200	223	757	106
4	44	51	173	27

الجدول 2: وصف موجز لمجموعة البيانات.

figure-protocol-2
الشكل 3: توزيع مجموعة البيانات. تم تنظيم مجموعة البيانات في مجموعات الاختبار والتحقق والتدريب. الرجاء النقر هنا لعرض نسخة أكبر من هذا الرقم.

المعالجة المسبقة للبيانات
هذه الخطوة حاسمة وتهدف إلى تحسين أداء النموذج من خلال تحسين جودة بيانات الإدخال. المراحل التي ينطوي عليها المعالجة المسبقة هي كما يلي.

تغيير حجم الصورة: يتم تطبيق بعد قياسي على كل صورة من صور الأشعة السينية لتوفير الاتساق في جميع أنحاء مجموعة الصور بأكملها. هذه المرحلة ضرورية للنموذج لمعالجة الصور باستمرار وفعالية. تستخدم المعادلة 1 في هذه العملية.

حجم الصورة الجديدة = تغيير الحجم (الصورة الأصلية، البعد القياسي) (1)

التطبيع: تم توحيد قيم البكسل في الصور للحصول على متوسط صفر وانحراف معياري واحد. يضمن هذا النوع من التطبيع أن قيم الإدخال تقع في نطاق مماثل ، مما يسرع من تقارب النموذج أثناء التدريب. تستخدم المعادلة 2 لتنفيذ خطوة التطبيع هذه.

figure-protocol-3 (2)

زيادة البيانات: تم استخدام استراتيجيات زيادة البيانات لمعالجة المشكلات بسبب عدم كفاية البيانات وتعزيز قدرة النموذج على التعميم. تتضمن هذه الطرق التقلبات والتكبير/التصغير والتدوير والترجمات. يقدمون صورا جديدة تتم إضافتها عن قصد إلى مجموعة بيانات التدريب. تستخدم المعادلة 3 في تنفيذ إجراء الزيادة هذا.

الصورة المعززة = تطبيق التحويل (Iamge الأصلي) (3)

تم استخدام مجموعة متنوعة من تقنيات التعزيز لتوفير التباين لمجموعة التدريب من أجل تحسين متانة النموذج وتقليل التجهيز الزائد. تم تضمين نطاق القص من 0.2 ، ونطاق تكبير من 0.8 إلى 1.2 (يتوافق مع عامل تكبير 0.2) ، ونطاق دوران عشوائي من -30 درجة إلى + 30 درجة في زيادة بيانات التدريب. تم السماح بالتقليب الأفقي والرأسي باحتمال 0.5 من أجل تعزيز تعميم النموذج. لكل من القص الرأسي والأفقي ، تم أيضا استخدام عامل قص قدره 0.1 ، أو تشويه ± 10٪.

موازنة الفئة: تم استخدام خوارزميات ترجيح الفئات بسبب عدم التوازن المحتمل في الفئة لمجموعة البيانات (مع صور لبعض فئات الزراعة العضوية أكثر من غيرها). من أجل منع النموذج من إظهار التحيز لصالح الفئات الأكثر شيوعا ، تمنح هذه الطريقة الفئات الممثلة تمثيلا ناقصا أوزانا أكبر. يتم استخدام المعادلة 4 في هذه العملية. تم استخدام القيم التالية لتحديد الأوزان: صحي: 3857 ، مشكوك فيه: 1770 ، الحد الأدنى: 2578 ، معتدل: 1286 ، وشديد: 295 هي التوزيعات الفبقية لإجمالي 9786 عينة و 5 فئات.

figure-protocol-4 (4)

تقسيم القطار والتحقق من الصحة: تم تنظيم مجموعة البيانات في مجموعات التحقق من الصحة والتدريب باستخدام نسب 80:20 التقليدية. يسمح تقسيم البيانات للنموذج بالتعلم من بيانات التدريب وتقييم أدائه على أساس منتظم باستخدام مجموعة التحقق من الصحة. هذا يسمح بتحديد التجهيز الزائد وتقييم قدرة التعميم للنموذج.

تحسين مسار البيانات: تم إعداد خط أنابيب بيانات محسن لضمان المعالجة الفعالة للبيانات أثناء تدريب النموذج. لتقليل اختناقات الإدخال / الإخراج وزيادة أداء الحوسبة ، يستخدم خط الأنابيب هذا تقنيات التجميع والجلب المسبق واستخراج البيانات المتوازية. لتحسين كفاءة التدريب والإنتاجية ، تم تطوير خط أنابيب بيانات الإدخال. لضمان الاستخدام المتوازن للذاكرة والحمل الحسابي ، تم استخدام حجم دفعة 32. لزيادة كفاءة إدخال البيانات ، تم استخدام num_parallel_calls = 4 في وظيفة الخريطة لموازاة تحميل البيانات والمعالجة المسبقة. علاوة على ذلك ، من أجل تقليل زمن انتقال الإدخال / الإخراج ، تم استخدام الجلب المسبق (buffer_size = tf.data.AUTOTUNE) الخاص ب TensorFlow للسماح بتعديل حجم المخزن المؤقت للجلب المسبق التلقائي. تداخل هذا بشكل فعال مع المعالجة المسبقة للبيانات وتنفيذ النموذج

في الشكل 4 ، تم عرض بعض الحالات لفئات مختلفة من الصور بعد المعالجة المسبقة الأساسية.

figure-protocol-5
الشكل 4: مثيلات من مجموعة البيانات. يوضح الشكل بعض الحالات لفئات مختلفة من الصور بعد المعالجة المسبقة الأساسية. الرجاء النقر هنا لعرض نسخة أكبر من هذا الرقم.

من خلال خطوات المعالجة المسبقة الدقيقة هذه ، يتم تحويل مجموعة البيانات إلى أساس قوي لتدريب نموذج XceptionNet المعدل ، مما يمهد الطريق لاكتشاف KOA وتصنيفه بدقة وموثوقية.

بنية النموذج
النموذج الأساسي: بفضل تصميمه المميز الذي يستخدم التلافيف القابلة للفصل بالعمق لتحقيق أفضل توازن ممكن بين الكفاءة الحسابية وتعقيد النموذج ، يبرز نموذج XceptionNet الذي أنشأه فرانسوا شوليت²⁵. استخدمت المعادلة 5 لتنفيذ التلافيف القابلة للفصل من حيث العمق.

الالتواء القابل للفصل العميق (x) = النقطة (العمق (x)) (5)

إنها ذات صلة خاصة بهذه الدراسة لعدة أسباب. أولا ، تشتهر بنيتها باستخراج الميزات التفصيلية والهرمية من الصور ، وهو أمر بالغ الأهمية لتحليل الصور الطبية ، حيث يمكن أن تشير الميزات الدقيقة إلى مراحل مختلفة من الحالة. ثانيا ، يعتمد النموذج المقترح على بنية XceptionNet ، والتي أظهرت فعالية رائعة عبر العديد من مهام تصنيف الصور ، والتي تهدف إلى اكتشاف وتصنيف هشاشة العظام في الركبة²⁶.

OsteoXceptionNet المقدمة هي نسخة مخصصة من بنية XceptionNet التي تم إنشاؤها خصيصا لتصنيف هشاشة العظام في الركبة تلقائيا من صور الأشعة السينية. تشمل التغييرات المهمة إضافة ثلاث كتل تلافيفية أخرى (المرشحات: 512 و 256 و 128) لتحسين استخراج الميزات الخاصة بهياكل مفصل الركبة ، بالإضافة إلى الطبقات التلافيفية بأحجام مرشحات 3 × 3 وعدد مرشحات متغير يتراوح من 32 إلى 1024 عبر تدفقات الدخول والوسطى والخروج. يأتي تطبيع الدفعات وتنشيط ReLU بعد كل طبقة تلافيفية ، ويتم إضافة طبقات التسرب لتقليل التجهيز الزائد. يتم استخدام معيار 224 × 224 بكسل لمدخلات النموذج.

الضبط الدقيق والتعديلات
التعديلات: تم تعديل نموذج XceptionNet بشكل استراتيجي بعدة طرق لجعله مناسبا لتصنيف KOA واكتشافه.

الضبط الدقيق: تم إلغاء تجميد الطبقات العليا من نموذج XceptionNet المدرب مسبقا ، مما مكن النموذج من تعلم ميزات عالية المستوى خاصة بصور الأشعة السينية للركبة. تم إجراء الضبط الدقيق للنموذج وفقا للمعادلة 6.

figure-protocol-6 (6)

حيث θ يتم_ضبطها بدقة هي المعلمات بعد الضبط الدقيق ؛ θ_{المدربة مسبقا} هي المعلمات المدربة مسبقا ؛ λ هو معدل التعلم. ∇_{θالخسارة المدربة مسبقا}هي تدرج دالة الخسارة المرتبط بالمعلمات التي تم تدريبها مسبقا.

طبقات تلافيفية إضافية: تم إدخال طبقات تلافيفية إضافية في المرحلة النهائية للنموذج. تحتوي هذه الطبقات على حجم نواة أصغر للتركيز على استخراج التفاصيل الدقيقة ذات الصلة بدرجات الزراعة العضوية المختلفة. تم استخدامه باستخدام المعادلة 7.

الإخراج التلافيفي = الالتواء (المدخلات ، النواة) (7)

تطبيع الدفعات: بعد كل طبقة تلافيفية مضافة ، يتم تطبيق تطبيع الدفعات لتحقيق الاستقرار في التعلم وتعزيز سرعة التقارب. يتم استخدامه باستخدام المعادلة 8.

figure-protocol-7 (8)

أين figure-protocol-8 هو الإخراج الطبيعي؛ x هو مدخل طبقة تطبيع الدفعات؛ μ هو متوسط دفعة المدخلات؛ σ2 هو التباين في دفعة المدخلات؛ ε هو الحد الأدنى من الثابت للاستقرار العددي.

وظائف التنشيط: يتم استخدام وظائف تنشيط ReLU في الطبقات التكميلية لإدخال اللاخطية ، وبالتالي تمكين النموذج من الحصول على هياكل أكثر تعقيدا في البيانات. يتم حساب ReLU باستخدام المعادلة 9.

ReLU (x) = الحد الأقصى (0،x) (9)

حيث ، x هو إدخال وظيفة تنشيط ReLU.

التسرب: لمنع الإفراط في التجهيز ، يتم دمج طبقات التسرب ، خاصة بعد الطبقات المضافة حديثا ، لضمان تعميم النموذج حتى على البيانات غير المرئية. تم ذلك عن طريق المعادلة 10.

الإخراج = قناع × الإدخال (10)

تكوين طبقة الإخراج
طبقة الإخراج: تم تصميم نموذج XceptionNet الأصلي للتصنيف متعدد الفئات مع وظيفة تنشيط Softmax في طبقة الإخراج. في هذا النموذج المعدل ، يتم تخصيص طبقة الإخراج لتمثيل الدرجات الخمس من هشاشة العظام في الركبة ، والتي تمتد من الدرجة 0 إلى الدرجة 4 ، أي من المستوى الصحي إلى المستوى الشديد. على وجه التحديد ، تتكون هذه الطبقة من خمس خلايا عصبية ، كل منها يتوافق مع إحدى درجات الزراعة العضوية. تم استخدام وظيفة تنشيط Softmax في هذه الطبقة لإنتاج توزيع احتمالي عبر خمس فئات ، مما يمكن النموذج المقترح من التنبؤ بدرجة الزراعة العضوية المناسبة لصورة معينة للأشعة السينية للركبة. يعمل هذا النهج على مواءمة مخرجات النموذج مباشرة مع مقياس الدرجات السريرية ، مما يسهل تفسيرا بديهيا وعمليا لتنبؤات النموذج لمتخصصي الرعاية الصحية.

تم تصميم بنية XceptionNet خصيصا - والتي تم تدريبها مسبقا لأول مرة على مجموعة بيانات ImageNet - لهدف الدراسة المقدمة لتصنيف شدة هشاشة العظام في الركبة. استفاد النموذج من الميزات المكتسبة من مجموعة بيانات كبيرة ومتنوعة باستخدام الأوزان المدربة مسبقا من ImageNet ، مما أعطاها أساسا قويا. لتخصيص نموذج XceptionNet الأساسي للبحث المقترح ، تمت إضافة العديد من الطبقات الجديدة.

أولا ، تم دمج الطبقات التلافيفية ثنائية الأبعاد مع أعداد مختلفة من المرشحات وأحجام النواة ، تم تنشيط كل منها بواسطة ReLU وتطبيع الدفعات لإضافة عدم خطية. تهدف هذه الطبقات الإضافية إلى التقاط وتضخيم الميزات المتعلقة بشدة هشاشة العظام في الركبة. كان النموذج جاهزا بعد ذلك لمرحلة التصنيف الأخيرة عن طريق إضافة طبقة Global Average Pooling 2D (GAP) ، مما يؤدي إلى تقليص خريطة الميزات مع الاحتفاظ بالبيانات المهمة. على وجه الخصوص ، تحقق عملية GAP تقليل الأبعاد مع الحد الأدنى من فقدان البيانات عن طريق تقليل الأبعاد المكانية لكل خريطة معالم إلى قيمة واحدة مع الحفاظ على العمق ، والتي يمكن أن تختلف من 7 × 7 × 1024 إلى 1 × 1 × 1024. تم تغذية إخراج طبقة GAP في وظيفة تنشيط Softmax ، والتي مكنت من التصنيف متعدد الفئات عن طريق تحويل السجلات إلى احتمالات. تستخدم المعادلات 11 و 12 و 13 و 14 و 15 و 16 و 17 للفجوة ، وتنشيط Softmax ، وحساب خريطة الميزات ، وتقليل معدل التعلم ، وتجميع النموذج ، وتعديل وزن الفئة ، وفقدان التصنيف متعدد الفئات ، على التوالي.

figure-protocol-9 (11)

حيث ، X_{i ، j} هو تنشيط الصف الأول والعمود J لخريطة المعالم ؛ H هو ارتفاع خريطة الميزة. W هو عرض خريطة المعالم.

figure-protocol-10 (12)

حيث ، x_i هو المدخل لوظيفة Softmax للفئة I ؛ n هو عدد الفئات.

خريطة الميزة = σ(الالتواء (الإدخال ، النواة) + التحيز) (13)

حيث ، الالتفاف هو عملية الالتفاف ؛ أنا وظيفة التنشيط. المدخلات هي موتر الإدخال للطبقة. النواة هي النواة التلافيفية. التحيز هو مصطلح التحيز.

معدل التعلم الجديد = معدل التعلم × العامل (14)

النموذج = التجميع (الهندسة المعمارية ، الخسارة ، المحسن ، المقاييس) (15)

figure-protocol-11 (16)

حيث ،_فئة الوزن هي الوزن المخصص لفئة ؛ إجمالي العينات هو total_number_of_samples مجموعة البيانات. Number_of_Classes هو عدد الفئات المميزة داخل مجموعة البيانات. العينة في الفصل هي عدد العينات في فئة معينة.

figure-protocol-12 (17)

حيث ، y_i هو توزيع الاحتمالات الفعلي للفئة I ؛ p_i هو التنبؤ بتوزيع احتمالات الفئة الأولى . N هو عدد الفئات.

أخيرا ، تم تجميع النموذج ، الذي يشتمل الآن على بنية XceptionNet المعدلة مع الطبقات المخصصة ، للتنبؤ بالاحتمالات لكل فئة. من خلال هذه التعديلات ، كان الهدف هو زيادة قدرة النموذج في تمييز الميزات الدقيقة المرتبطة بدرجات مختلفة من شدة هشاشة العظام في الركبة ، مما يعزز أداء التصنيف للمهمة المحددة.

من أجل التقارب المستقر والفعال ، تم استخدام محسن آدم لتدريب النموذج بمعدل تعلم يبلغ 0.0001 ، مع استخدام 0.5 كمعدل تسرب لتقليل التجهيز الزائد. للحد من تعقيد النموذج وتحسين التعميم ، تم استخدام كل من استراتيجيات تنظيم L1 و L2. بالنسبة لمشاكل التصنيف متعددة الفئات مع تسميات الأعداد الصحيحة ، كانت القشرة المتقاطعة الفئوية المتناثرة هي دالة الخسارة المناسبة. تم إجراء التدريب لمدة 50 حقبة. تم استخدام Softmax ، وظيفة التنشيط النهائية ، لتوليد توزيعات احتمالية الفئة. بالإضافة إلى ذلك ، تم استخدام حجم 64 خطوة للتدريب.

التدريب: كانت عملية التدريب مرحلة مهمة للغاية. في هذه المرحلة ، يتعلم نموذج XceptionNet المعدل الكشف الدقيق عن KOA وتصنيفه في الصور الشعاعية. تم استخدام الإصدار 2.6.0 من Keras والإصدار 2.6.0 من TensorFlow الخلفي لتنفيذ نموذج XceptionNet. فيما يلي تفاصيل المكونات الرئيسية لمرحلة التدريب ، بما في ذلك وظيفة الخسارة ، والمحسن ، وعمليات الاستدعاء ، وحجم الدفعة ، والحقب.

Loss_Function: بالنسبة لمهمة التصنيف متعددة الفئات ، تم استخدام cross_entropy الفئوية. وتناسب دالة الخسارة هذه بشكل خاص للمشكلات التي يتوقع فيها أن يخصص كل مثيل إلى تسمية واحدة فقط من مجموعة من الفئات²⁷. يقوم بتقييم أداء النموذج من خلال إنتاج درجة احتمالية في حدود صفر وواحد. تم استخدام هذه الخسارة كمقياس لتدريب هذا النموذج بشكل فعال على التنبؤ الدقيق بخطورة KOA لأنه يزداد عندما يختلف الاحتمال المتوقع عن التسمية الفعلية.

المحسن: تم استخدام محسن Adam ، المعروف بفعاليته وخصائص معدل التعلم الديناميكي. يدمج آدم الخصائص المفيدة لخوارزميات AdaGrad و RMSProp ، مما يوفر خوارزمية تحسين بارعة في إدارة التدرجات المتناثرة في إعدادات المشكلة الصاخبة²⁸.

المعلمات الرئيسية لمحسن آدم
معدل التعلم: تم استخدام معدل تعلم قدره 0.0001 ، مما مكن المحسن من إجراء تعديلات جوهرية على الأوزان في البداية ، وبالتالي تحسين عملية التعلم.

Beta1 و Beta2: تنظم هذه المعلمات المعدلات التي ينخفض بها التدرج التربيعي والمتوسطات المتحركة للتدرجات السابقة ، على التوالي. يتم استخدام القيم الافتراضية 0.9 للإصدار التجريبي 1 و 0.999 للإصدار التجريبي 2.

Epsilon: تمنع هذه المعلمة أي قسمة على الصفر في التنفيذ ، ويتم تعيينها على رقم صغير قريب من الصفر.

عمليات الاسترجاعات: يتم استخدام عمليات الاسترجاعات أثناء التدريب لمراقبة أداء النموذج وضبطه. تم استخدام عمليات الاسترجاعات التالية:

Early_Stopping: يستخدم هذا لمراقبة فقدان التحقق من صحة النموذج وكذلك لإيقاف عملية التدريب إذا توقفت الخسارة عن الانخفاض لعدد محدد مسبقا من الحصور (يشار إليها باسم الصبر). عندما لا تظهر بيانات التحقق من الصحة تحسنا في أداء النموذج، فإنها توقف عملية التدريب، مما يساعد على منع الإفراط في التجهيز.

تقليل هضبة LROn: تقلل معاودة الاتصال هذه من معدل التعلم عندما تتوقف خسارة التحقق عن التحسن ، مما يتيح إجراء تعديلات أدق في الأوزان ، مما قد يؤدي إلى تحسين الأداء العام للنموذج²⁹.

نقطة تفتيش النموذج: يحفظ رد الاتصال هذا النموذج في فترة زمنية معينة، بحيث يمكن استرداد أفضل إصدار من النموذج بمجرد اكتمال عملية التدريب. عادة ما يراقب دقة التحقق من الصحة أو فقدانه ويحفظ وزن النموذج كلما تم اكتشاف تحسين.

حجم الدفعة والعصور:
حجم الدفعة: 32 هو حجم الدفعة النموذجي الذي تم استخدامه من أجل تحقيق التوازن بين متطلبات كل من استقرار تقارب النموذج وكفاءة الحوسبة. يحقق حجم الدفعة 32 توازنا ، حيث يكون كبيرا بما يكفي للاستفادة من التحسينات الحسابية ولكنه صغير بما يكفي لتقديم تقدير ثابت للتدرج.

العصور: تم تعيين النموذج للتدريب لمدة تصل إلى 50 حقبة ، على الرغم من أن التدريب قد يتوقف مبكرا إذا تم تشغيل معاودة الاتصال ب EarlyStoping. توفر الحقبة ال 50 تكرارات كافية لضبط الأوزان وتقارب النموذج ، بينما يضمن EarlyStoping عدم استمرار التدريب دون داع.

من خلال تعيين هذه المعلمات بدقة واستخدام عمليات رد الاتصال ، تم تحسين عملية التدريب لضمان تعلم النموذج بشكل فعال وتعميم جيد على البيانات غير المرئية. من أجل ضمان تمثيل جميع الفئات بشكل عادل ودقيق في تنبؤات النموذج ، تم استخدام عدد من الأساليب لمعالجة مشكلة عدم توازن البيانات. أولا ، من أجل تعويض التمثيل الناقص لبعض الفئات ، تم استخدام ترجيح الفصل طوال مرحلة التدريب. أعطيت الفصول التي تحتوي على عينات أقل أوزانا أكبر. لتقليل تأثيرات عدم التوازن في الفصل أثناء التدريب ، تم استخدام ImageDataGenerator من Keras أيضا للتأكد من تعرض النموذج لمجموعة متنوعة من الفئات في كل دفعة³⁰.

مقاييس التقييم
في تقييم فعالية النموذج المطور ، تم استخدام العديد من المعلمات الموضحة أدناه.

الدقة (ACC): يتم قياس نسبة الملاحظات المتوقعة بدقة إلى جميع الملاحظات من خلال هذه الإحصائية. عندما تنتشر الفئات المستهدفة بالتساوي ، يكون ذلك مفيدا. يعتمد حسابه على المعادلة 18.

figure-protocol-13 (18)

الدقة (PR): تقيس دقة النموذج مدى قدرته على التمييز بين جميع الحالات الإيجابية والإيجابية المتوقعة. في الظروف التي يكون فيها معدل الإيجابيات الكاذبة كبيرا ، فمن المهم جدا. يعتمد حسابها على المعادلة 19.

figure-protocol-14 (19)

الاستدعاء (R): يحدد الاستدعاء ، المعروف أيضا باسم الحساسية ، النسبة المئوية للإيجابيات الحقيقية التي تم اكتشافها بشكل صحيح. إنه مهم بشكل خاص في المواقف التي قد يكون فيها تجاهل مثال جيد تداعيات خطيرة. يتضمن حسابها المعادلة 20.

figure-protocol-15 (20)

F1_Score: إنه متوسط متناسق للدقة (PR) والاستدعاء (R) ، ويوفر تقييما عادلا ، لا سيما في وجود توزيع غير متساو للفئة. يتضمن حسابها المعادلة 21.

figure-protocol-16 (21)

ROC AUC: المنطقة تحت المنحنى لخصائص تشغيل جهاز الاستقبال (ROC AUC) تحدد قدرة النموذج على التمييز بين الفئات. تشير قيم AUC المرتفعة إلى أداء النموذج المتفوق. يعتمد حسابه على المعادلة 22.

figure-protocol-17 (22)

كوهين كابا (CK): يقيم هذا المقياس التوافق بين اثنين من المقيمين الذين يصنفون العناصر N إلى فئات C حصرية متبادلة. إنه يوفر متانة أكبر مقارنة بالدقة ، خاصة عند التعامل مع الفئات غير المتوازنة. يتضمن حسابه المعادلة 23.

figure-protocol-18 (23)

المقاييس متوسط الخطأ المطلق (MAE) ، وجذر متوسط الخطأ التربيعي (RMSE) ، ومتوسط الخطأ التربيعي (MSE): على الرغم من استخدامها بشكل شائع لمهام الانحدار ، إلا أن هذه المعلمات يمكن أن توفر اكتشافات مفيدة في سيناريوهات التصنيف ، لا سيما في التصنيفات الترتيبية. يحسبون الفرق بين القيم الحقيقية والمتوقعة. تم حساب هذه المقاييس باستخدام المعادلات 24 و 25 و 26 على التوالي.

figure-protocol-19 (24)

figure-protocol-20 (25)

figure-protocol-21 (26)

درجة F2: تعطي درجة F2 الأولوية للاستدعاء على الدقة ، وهو أمر ذو قيمة في السيناريوهات التي يؤدي فيها التغاضي عن التنبؤ الإيجابي إلى تكبد تكاليف أكبر من توليد نتيجة إيجابية خاطئة. يتضمن حسابها المعادلة 27.

figure-protocol-22 (27)

منحنى الدقة والاستدعاء: يوضح هذا الرسم البياني كيفية موازنة الاستدعاء والدقة على مستويات مختلفة. كلما زادت المساحة الموجودة أسفل المنحنى ، ارتفعت مستويات الاستدعاء والدقة.

تم اختيار المعلمات المذكورة أعلاه من أجل تقديم تقييم شامل لأداء النموذج على جميع الأبعاد، خاصة في سياق اختلال توازن مجموعة البيانات وأهمية التحديد الدقيق للدرجات المختلفة لهشاشة العظام في الركبة.

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 osteoarthritis. Adv Clin Chem. 100, 37-90 (2021).
Kumavat, R., et al. Biomarkers of joint damage in osteoarthritis: current status and future directions. Mediat Inflamm. 2021, 1-14 (2021).
Karim, M. R., et al. DeepKneeExplainer: explainable knee osteoarthritis diagnosis from radiographs and magnetic resonance imaging. IEEE Access. 9, 39757-39780 (2021).
Kokkotis, C., Serafeim, M., Elpiniki, P., Giannis, G., Tsaopoulos, D. E. Machine learning in knee osteoarthritis: A review. Osteoarth Cartil Open. 2 (3), 100069(2020).
Abdullah, S. S., Rajasekaran, M. P. Automatic detection and classification of knee osteoarthritis using deep learning approach. La Radiol Med. 127 (4), 398-406 (2022).
Exploring deep learning capabilities in knee osteoarthritis case study for classification. Christodoulou, E., Moustakidis, S., Papandrianos, N., Tsaopoulos, D., Papageorgiou, E. 10th Int Conf Inf Intell Syst Appl, , 1-6 (2019).
Jahan, M., et al. KOA-CCTNet: An enhanced knee osteoarthritis grade assessment framework using modified compact convolutional transformer model. IEEE Access. 12, 107719-107744 (2024).
De, A., Mishra, N., Chang, H. T. An approach to the dermatological classification of histopathological skin images using a hybridized CNN-DenseNet model. PeerJ Comp Sci. 10, e1884(2024).
The diagnostics of osteoarthritis: a fine-tuned transfer learning approach. Salman, A. A. S., Razman, M. A. M., Khairuddin, I. M., Abdullah, M. A., Majeed, A. P. P. A. Int Conf Robot Intell Technol Appl, , 455-461 (2021).
Ozkan, C., Deniz, C. M. Artificial intelligence in knee osteoarthritis: a comprehensive review for 2022. Osteoarth Imag. 3 (3), 100161(2023).
Minnig, M. C. C., Yvonne, M. G., Nelson, A. E. Epidemiology of osteoarthritis: literature update 2022-2023. Curr Opin Rheumatol. 36 (2), 108-112 (2024).
Hu, J., et al. DeepKOA: a deep-learning model for predicting progression in knee osteoarthritis using multimodal magnetic resonance images from the osteoarthritis initiative. Quant Imaging Med Surg. 13 (8), 4852(2023).
Guida, C., Zhang, M., Shan, J. Improving knee osteoarthritis classification using multimodal intermediate fusion of X-ray, MRI, and clinical information. Neural Comput Appl. 35 (13), 9763-9772 (2023).
Bensalma, F., et al. Multimodal data analysis of knee osteoarthritis assessment: factors selection for conservative care decision making. Comput Methods Biomech Biomed Eng. 26 (4), 450-459 (2023).
Koppold, D. A., et al. Effects of prolonged fasting during inpatient multimodal treatment on pain and functional parameters in knee and hip osteoarthritis: A prospective exploratory observational study. Nutrients. 15 (12), 2695(2023).
Jain, R. K., Sharma, P. K., Gaj, S., Sur, A., Ghosh, P. Knee osteoarthritis severity prediction using an attentive multi-scale deep convolutional neural network. Multimed. Tools Appl. 83 (3), 6925-6942 (2024).
Afroze, S., Tamilselvi, R., Beham, M. G. P. Machine learning-based osteoarthritis detection methods in different imaging modalities: A review. Curr Med Imaging Rev. (14), 1628-1642 (2023).
Teoh, Y. X., Othmani, A., Lai, K. W., Goh, S. L., Usman, J. Stratifying knee osteoarthritis features through multitask deep hybrid learning: Data from the osteoarthritis initiative. Comput Methods Programs Biomed. 242, 107807(2023).
Zhang, L., et al. Multi-level classification of knee cartilage lesion in multimodal MRI based on deep learning. Biomed Signal Process Control. 83, 104687(2023).
Li, W., et al. Deep learning-assisted knee osteoarthritis automatic grading on plain radiographs: the value of multiview X-ray images and prior knowledge. Quant Imaging Med Surg. 13 (6), 3587(2023).
Ratna, H. V. K., et al. Machine learning and deep neural network-based learning in osteoarthritis knee. World J. Methodol. 13 (5), 419(2023).
Köse, Ö, et al. Inter-and intraobserver reliabilities of four different radiographic grading scales of osteoarthritis of the knee joint. J Knee Surg. 31 (3), 247-253 (2018).
Chen, P. Knee osteoarthritis severity grading dataset. Mendeley Data. 1 (10.17632), 30784984(2018).
Xception: Deep learning with depthwise separable convolutions. Chollet, F. IEEE Conf Comput Vis Pattern Recognit, , 1251-1258 (2017).
Alnabi, A., Luqman, D., Ahmed, S. S., Alnabi, N. L. A. Knee osteoarthritis stage classification based on hybrid fusion deep learning framework. Sci J Uni Zakho. 13 (2), 262-278 (2025).
Taye, M. M. Theoretical understanding of convolutional neural network: Concepts, architectures, applications, future directions. Computation. 11 (3), 52(2023).
Zhang, Z. Improved Adam optimizer for deep neural networks. 2018 IEEE/ACM 26th Int Symp Quality Serv. , 1-2 (2018).
Thakur, A., et al. Transformative breast cancer diagnosis using CNNs with optimized ReduceLROnPlateau and Early Stopping Enhancements. Int J Comput Intell Syst. 17 (1), 14(2024).
Gulli, A., Pal, S. Deep learning with Keras. , Packt Publishing Ltd. (2017).
Song, J., Zhang, R. A novel computer-assisted diagnosis method of knee osteoarthritis based on multivariate information and deep learning model. Digit. Signal Process. 133, 103863(2023).
Wang, C. T., et al. Successful real-world application of an osteoarthritis classification deep-learning model using 9210 knees—An orthopedic surgeon's view. J. Orthop. Res. 41 (4), 737-746 (2023).
Srikijkasemwat, N., et al. KneeXNeT: An Ensemble-Based Approach for Knee Radiographic Evaluation. International Conference on Medical Imaging and Computer-Aided Diagnosis, , Springer Nature. Singapore. 407-416 (2024).
El-Ghany, S. A., Elmogy, M., Abd El-Aziz, A. A fully automatic fine-tuned deep learning model for knee osteoarthritis detection and progression analysis. Egypt. Inform. J. 24 (2), 229-240 (2023).
Mohammed, A. S., Hasanaath, A. A., Latif, G., Bashar, A. Knee osteoarthritis detection and severity classification using residual neural networks on preprocessed X-ray images. Diagnostics. 1380 (8), (2023).
Yeoh, P. S. Q., Lai, K. W., Goh, S. L., Hasikin, K., Wu, X., Li, P. Transfer learning-assisted 3D deep learning models for knee osteoarthritis detection: Data from the osteoarthritis initiative. Front. Bioeng. Biotechnol. 11, 1164655(2023).
Yoon, J. S., et al. Assessment of a novel deep learning-based software developed for automatic feature extraction and grading of radiographic knee osteoarthritis. BMC Musculoskelet. Disord. 24 (1), 869(2023).
Pi, S. W., Lee, B. D., Lee, M. S., Lee, H. J. Ensemble deep-learning networks for automated osteoarthritis grading in knee X-ray images. Sci. Rep. 13 (1), 22887(2023).
Moustakidis, S., Papandrianos, N. I., Christodoulou, E., Papageorgiou, E., Tsaopoulos, D. Dense neural networks in knee osteoarthritis classification: A study on accuracy and fairness. Neural Comput. Appl. 35 (1), 21-33 (2023).
Apon, T. S., et al. Transforming Precision: A Comparative Analysis of Vision Transformers, CNNs, and Traditional ML for Knee Osteoarthritis Severity Diagnosis. In 2024 6th International Conference on Electrical Engineering and Information & Communication Technology (ICEEICT), , IEEE. 31-36 (2024).
Yeoh, P. S. Q., et al. Emergence of deep learning in knee osteoarthritis diagnosis. Computational intelligence and neuroscience. 2021 (1), (2021).
Haq, I., et al. Lung nodules localization and report analysis from computerized tomography (CT) scan using a novel machine learning approach. Applied Sciences. 12 (24), (2022).
Ghadi, Y. Y., et al. Enhancing patient healthcare with mobile edge computing and 5G: challenges and solutions for secure online health tools. Journal of Cloud Computing. 13 (1), 93(2024).
Haq, I., et al. YOLO and residual network for colorectal cancer cell detection and counting. Helyion. 10 (2), (2024).
Rani, S., et al. Deep learning to combat knee osteoarthritis and severity assessment by using CNN-based classification. BMC Musculoskeletal. 25 (1), 817(2024).
Patil, A. R. Classification and risk estimation of osteoarthritis using deep learning methods. Measurement: Sensors. 35, 101279(2024).
Ruikar, D., et al. DNN-based knee OA severity prediction system: pathologically robust feature engineering approach. SN Computer Science. 4 (1), 58(2022).
Haseeb, A., et al. Knee Osteoarthritis Classification Using X-Ray Images Based on. Optimal Deep Neural Network. Syst. Sci. Eng. 47 (2), 2397-2415 (2023).

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