Approche d’apprentissage profond basée sur l’apprentissage par transfert pour la classification de l’arthrose du genou à l’aide de l’architecture XceptionNet modifiée

Summary

Afin d’améliorer l’identification de l’arthrose du genou à partir de radiographies, cette étude suggère OsteoXceptionNet, un modèle d’apprentissage profond qui utilise XceptionNet modifié avec l’apprentissage par transfert. Ce modèle améliore l’extraction des caractéristiques, réduit les erreurs d’interprétation manuelle et permet une classification plus précise et automatisée.

Abstract

L’arthrose du genou touche des millions de personnes dans le monde et n’a pas de traitement curatif connu, ce qui en fait un grave problème de santé mondiale. La gestion de son développement dépend de la découverte précoce, et l’imagerie par rayons X est une technique de diagnostic fondamentale. Cependant, en raison des variations dans les niveaux d’expérience des radiologues, l’interprétation manuelle des radiographies augmente la variabilité et les inexactitudes possibles. Les progrès récents des techniques d’apprentissage automatique et d’apprentissage profond ont déclenché la création de systèmes automatisés pour l’identification radiologique de l’arthrose du genou. Cependant, pour une détection précoce, il est toujours crucial d’obtenir une plus grande précision de prédiction. En utilisant les informations recueillies à partir d’un ensemble de données plus important, les modèles entraînés sur des ensembles de données plus petits et spécifiques à un domaine sont plus performants grâce à l’utilisation de l’apprentissage par transfert. En raison de sa profondeur et de son efficacité, XceptionNet est particulièrement bien adapté aux travaux impliquant l’interprétation d’images médicales. Contrairement aux recherches précédentes, cette méthode résout efficacement le déséquilibre des ensembles de données en utilisant des approches d’équilibrage de classe, en intégrant un pipeline de prétraitement personnalisé et en ajoutant des améliorations architecturales personnalisées à XceptionNet, ce qui améliore l’identification précoce des KOA. Grâce à l’utilisation de ces méthodes de pointe, l’approche suggérée présente un potentiel d’identification correcte de l’arthrose à partir d’images radiographiques du genou, atteignant une précision de prédiction de 97 %, une précision de 97,8 %, une mémorisation de 97,6 % et une mesure F1 de 97,6 %. De plus, le modèle généré a montré une valeur kappa de 95,94 % de Cohen, ce qui indique une bonne concordance. L’étude soutient les efforts visant à développer une technologie de détection des maladies automatisée et fiable, qui améliore les résultats pour les patients et facilite une prestation de soins de santé plus efficace.

Introduction

L’arthrose du genou (KOA) est un problème de santé publique mondial important qui touche un grand nombre de personnes et fait peser un fardeau important sur les patients et les organisations de soins de santé. Le cartilage articulaire de l’articulation du genou se détériore progressivement dans ce trouble. Il a une étiologie compliquée et multidimensionnelle qui comprend un mélange d’âge, d’obésité, de traumatismes articulaires, de variables biomécaniques et de susceptibilité génétique¹.

La perte d’intégrité structurelle entraîne l’amincissement du cartilage, la fissuration et finalement l’érosion, exposant l’os sous....

Protocol

Cette section présente une approche complète conçue pour améliorer le diagnostic et la classification de l’arthrose du genou grâce à l’utilisation d’un modèle XceptionNet modifié. La méthodologie présentée est basée sur un prétraitement minutieux des données, une personnalisation minutieuse de l’architecture du modèle et des techniques d’évaluation solides, qui visent toutes à résoudre les problèmes complexes associés à l’imagerie de l’arthrose du genou. La figure 2 illustre le déroulement du modèle.

Results

Plusieurs mesures importantes ont été prises tout au long de la phase de validation du modèle afin de garantir qu’il se généralise à des données qui n’avaient pas encore été observées. Initialement, l’ensemble de données est divisé en ensembles d’entraînement et de validation. Il s’agit d’une procédure courante utilisée pour évaluer les performances du modèle sur un ensemble de données qui n’a pas été utilisé lors de l’entraînement. En proposant des ensembles de données distincts pour l’entraînement et la validation, cet.......

Discussion

L’étude a présenté une technique automatisée basée sur l’apprentissage profond pour la classification KOA à l’aide d’images radiographiques. Le modèle, qui utilisait une architecture XceptionNet, a démontré une robustesse et une précision remarquables dans une gamme de mesures d’évaluation, ce qui suggère qu’il pourrait être utilisé en milieu clinique.

En plus de la méthodologie actuelle, la validation d’un ensemble de données externe pourrait être utilisée po.......

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
Jupyter Notebook/Colab	Projet Jupyter / Google	N/A	Pour développer et expérimenter des modèles de manière interactive.
Matplotlib (Version : 3.4.3) & Seaborn (Version : 0.11.2)	Communauté	N/A	Pour la visualisation de données et les graphiques de résultats.
Données Mendeley/Kaggle	Elsevier; Communauté	N/A	Source de l’ensemble de données : Ensemble de données de classification de la gravité de l’arthrose du genou
OpenCV (Version : 4.5.5)	Intel	N/A	Pour le prétraitement d’images radiographiques (redimensionnement, CLAHE, filtrage gaussien).  ;
Python (version : 3.8)	Fondation du logiciel Python	N/A	Langage de programmation utilisé pour le développement de modèles.
scikit-learn (Version : 1.0.2)	Communauté	N/A	Utilisé pour le fractionnement des données, les mesures de performances et les utilitaires ML de base.  ;
TensorFlow/Keras	Google/Communauté	N/A	Utilisé pour la mise en œuvre et l’entraînement du modèle d’apprentissage profond basé sur XceptionNet. Version de Tensorflow : 2.6.0, RRID : SCR_018932. Version de Keras : 2.6.0, RRID : SCR_018961
Système d’exploitation Ubuntu	Canonique	N/A	Système d’exploitation utilisé pour la compatibilité avec tous les outils logiciels. Version 20.04 recommandée.