基于迁移学习的深度学习方法，使用改进的 XceptionNet 架构进行膝骨关节炎分级

Summary

为了增强 X 射线对膝骨关节炎的识别，本研究提出了 OsteoXceptionNet，这是一种深度学习模型，它使用修改后的 XceptionNet 和迁移学习。该模型改进了特征提取，降低了手动解释错误，并允许更精确的自动分类。

Abstract

膝骨关节炎 （KOA） 影响着全世界数百万人，并且没有已知的治愈性治疗方法，使其成为一个严重的全球健康问题。其发展的管理取决于早期发现，而 X 射线成像是一种基本的诊断技术。然而，由于放射科医生经验水平的差异，手动 X 射线解释增加了可变性和可能的不准确性。机器学习和深度学习技术的最新进展引发了用于膝关节骨关节炎放射学识别的自动化系统的创建。然而，对于早期检测，获得更高的预测精度仍然至关重要。通过利用从更大的数据集中收集的见解，在较小的特定领域数据集上训练的模型通过使用迁移学习表现得更好。由于其深度和有效性，XceptionNet 特别适合涉及医学图像解释的工作。与之前的研究相比，该方法通过使用类平衡方法、集成定制的预处理管道以及向 XceptionNet 添加定制的架构改进来有效解决数据集不平衡问题，从而改善了早期 KOA 识别。通过使用这些最先进的方法，建议的方法显示出从膝关节放射学图像中正确识别骨关节炎的潜力，达到 97% 的预测准确率、97.8% 的精度、97.6% 的召回率和 97.6% 的 F1 测量。此外，生成的模型显示了 95.94% 的 Cohen's kappa 值，这表明一致性良好。该研究支持进一步努力开发值得信赖的自动化疾病检测技术，从而改善患者的治疗效果并促进更有效的医疗保健服务。

Introduction

膝骨关节炎 （KOA） 是一个重大的全球公共卫生问题，影响着许多人，并给患者和医疗机构带来了沉重的负担。在这种疾病中，膝关节的关节软骨逐渐恶化。它具有复杂且多维的病因，包括年龄、肥胖、关节创伤、生物力学变量和遗传易感性的混合¹。

结构完整性的丧失会导致软骨变薄、裂开并最终侵蚀，从而暴露下面的骨骼。KOA 的症状范围很广，并且经常随着时间的推移而恶化，从轻微的不适到难以忍受的疼痛和功能丧失²。膝关节疼痛的主要症状通常会因负重运动和长时间活动而加重。常见的观察结果包括僵硬，特别是在休息期间、水肿、捻发音和运动范围缩小³。这些症状严重干扰了日常功能，导致功能受限并降低经历这些症状的人的生活质量。

这里测试的假设是，基于深度学习的自动化模型可以在诊断方面与专业放射科医生相当，并使用 Kellgren-Lawrence 分级系统从成像数据中正确诊断 KOA 的严重程度。

本研究的目的源于与膝骨关节炎诊断和分级的传统方法相关的固有局限性。传统上，放射成像，尤其是膝关节 X 射线分析，用于评估关节损伤程度。然而，对这些图像的体格检查容易受到可变性的影响，并且可能非常耗时⁴.深度学习和机器学习....

Protocol

本节介绍了一种综合方法，旨在通过使用改进的 XceptionNet 模型来增强膝骨关节炎的诊断和分级。所提出的方法基于仔细的数据预处理、彻底的模型架构定制和强大的评估技术，所有这些都旨在解决与膝关节 OA 成像相关的复杂问题。在 图 2 中，已经说明了模型的流程。

图 2：模型的工作流程。请点击此处查看此图的大图。

数据集描述
本研究中使用的数据集包括来自 OAI 数据集的 9,786 张膝关节 X 射线图像，这些图像已根据 KL 分级技术分配了 OA 等级。该数据集提供了涵盖KOA各个阶段的广泛实例，对于训练和评估所提出的模型....

Results

在整个模型的验证阶段采取了几项重要措施，以确保它能够推广到尚未观察到的数据。最初，数据集分为训练集和验证集。这是用于评估模型在训练中未使用的数据集上的性能的常用过程。通过提供单独的数据集进行训练和验证，这种分离避免了过度拟合，并允许对模型有效性进行全面评估。

数据增强方法用于进一步改进训练并阻止过度拟合。这些方法通过增强训练数据，在图像中添加了旋转、平移和翻转。该模型更有能力通过扩大训练数据的多样性来概括输入数据中不可见的方差。模型检查点用于在训练过程中定期存储模型权重。通过这种方法，可以根据验证准确性找到性能最高的模型，从而保证最终模型将继续以最佳状态运行。

除了模型检查点外，还使用了早期停止标准，用于在模型对验证数据的性能停止提高时终止训练。通过在理想点停止训练过程，在该点上，更多的迭代不会带来明显的性能提升，这避免了过度拟合。降低学习率是培训中使用的另一个关键策略。当预定的验证集指标（如验证损失或准确性）停止提高时，学习率就会降低。通过训练，由于这种自适应调整，模型能够进行更精确的修改，也许可以克服局部最小值并提高整体性.......

Discussion

该研究提出了一种基于深度学习的自动化技术，用于使用 X 射线图像进行 KOA 分级。该模型使用 XceptionNet 架构，在一系列评估措施中表现出显着的稳健性和准确性，表明它可能会在临床环境中得到应用。

除了当前的方法之外，还可以使用外部数据集验证来进一步证实假设并评估模型在各种成像条件和人口统计数据中的泛化性。该模型在实时临床作中的有效性也可以通过前瞻性研究进行评估，这将提供有关其适用性的有用信息^40,41。此外，预处理和模型管道每个部分的具体贡献可以通过消融研究来确定。通过包括多模态数据（例如放射学图像）以及临床或人口统计学数据，可以提高预测准确性，并提供更彻底的评估。最后，为了进一步确认所建议方法的稳健性，采用集成学习策略或传统机器学习分类器（如 SVM 或随机森林）进行比较分析可能是有效的技术。

研究的意义

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
Jupyter 笔记本/Colab	Jupyter 项目 / 谷歌	不适用	用于交互式开发和试验模型。
Matplotlib（版本：3.4.3）和Seaborn（版本：0.11.2）	社区	不适用	用于数据可视化和结果图。
Mendeley/Kaggle 数据	爱思唯尔;社区	不适用	数据集来源：膝骨关节炎严重程度分级数据集
OpenCV（版本：4.5.5）	英特尔	不适用	用于预处理 X 射线图像（调整大小、CLAHE、高斯滤波）。
Python（版本：3.8）	Python 软件基础	不适用	用于模型开发的编程语言。
scikit-learn（版本：1.0.2）	社区	不适用	用于数据拆分、性能指标和基本 ML 实用程序。
TensorFlow/Keras	谷歌/社区	不适用	用于实现和训练基于 XceptionNet 的深度学习模型。Tensorflow 版本：2.6.0，RRID：SCR_018932。Keras 版本：2.6.0，RRID：SCR_018961
Ubuntu作系统	规范	不适用	用于与所有软件工具兼容的作系统。推荐版本 20.04。