修正されたXceptionNetアーキテクチャを使用した変形性膝関節症のグレーディングのための転移学習ベースの深層学習アプローチ

Summary

X線からの変形性膝関節症の同定を強化するために、本研究では、転移学習で修正されたXceptionNetを使用する深層学習モデルであるOsteoXceptionNetを提案しています。このモデルにより、特徴抽出が改善され、手動解釈エラーが減少し、より正確な自動分類が可能になります。

Abstract

変形性膝関節症 (KOA) は世界中で何百万人もの人々が罹患しており、既知の治癒治療法がなく、深刻な世界的な健康上の懸念となっています。その発生の管理は早期発見に依存しており、X線イメージングは基本的な診断技術です。ただし、放射線科医の経験レベルにはばらつきがあるため、手動の X 線解釈ではばらつきが増し、不正確さが生じる可能性があります。機械学習と深層学習技術の最近の進歩により、変形性膝関節症の放射線学的同定のための自動化システムの作成が促進されました。ただし、早期段階の検出では、より高い予測精度を得ることが依然として重要です。より大きなデータセットから収集した洞察を利用することで、より小さなドメイン固有のデータセットでトレーニングされたモデルは、転移学習を使用してより優れたパフォーマンスを発揮します。XceptionNetは、その奥深さと有効性により、医療画像の解釈を伴う仕事に特に適しています。以前の研究とは対照的に、この方法は、クラス バランシング アプローチを使用し、カスタマイズされた前処理パイプラインを統合し、カスタマイズされたアーキテクチャの改善を XceptionNet に追加することで、データセットの不均衡に効率的に対処し、初期段階の KOA 識別を改善します。これらの最先端の方法を使用することで、提案されたアプローチは、膝の X 線画像から変形性関節症を正しく識別する可能性を示し、97% の予測精度、97.8% の精度、97.6% の想起率、および 97.6% の F1 測定を達成します。さらに、生成されたモデルは 95.94% の Cohen のカッパ値を示し、これは良好な一致を示しています。この研究は、患者の転帰を改善し、より効率的な医療提供を促進する、信頼できる自動疾患検出技術を開発するためのさらなる取り組みをサポートします。

Introduction

変形性膝関節症 (KOA) は、多くの人々に影響を及ぼし、患者と医療機関の両方に大きな負担をかける、世界的な重大な公衆衛生問題です。この障害では、膝関節の関節軟骨が徐々に悪化します。年齢、肥満、関節外傷、生体力学的変数、遺伝的感受性が混在する複雑で多次元的な病因を持っています¹。

構造的完全性が失われると、軟骨が薄くなり、亀裂が開き、最終的にはびらんが生じ、下にある骨が露出します。KOA の症状は多岐にわたり、時間の経過とともに頻繁に悪化し、わずかな不快感から耐え難い痛みや機能喪失まで².膝の痛みの主な兆候は、通常、体重負荷運動や長時間の活動によって悪化します。一般的な観察には、特に休憩中のこわばり、浮腫、クレピタス、可動域の減少などがあります³。これらの症状は日常の機能に深刻な支障をきたし、その結果、機能制限が生じ、症状を経験した人の生活の質が低下します。

ここで検証された仮説は、自動化された深層学習ベースのモデルが、専門の放射線科医と同等の診断性能を発揮し、ケルグレン・ローレンス・グレーディング・システムを使用して画像データからKOAの重症度レベルを正しく診断できるというものです。

この研究の目的は、変形性膝関節症の診断....

Protocol

このセクションでは、修正された XceptionNet モデルを使用して変形性膝関節症の診断と等級付けを強化するように設計された包括的なアプローチを紹介します。提示された方法論は、慎重なデータ前処理、徹底的なモデル アーキテクチャのカスタマイズ、および強力な評価技術に基づいており、これらはすべて、膝 OA イメージングに関連する複雑な問題に対処することを目的としています。 図2に、モデルの流れを示します。

図2:モデルのワークフロー。この図の拡大版を表示するには、ここをクリックしてください。

データセットの説明
この研究で使用し....

Results

モデルの検証フェーズ全体を通じて、まだ観測されていないデータに一般化されることを保証するために、いくつかの重要な対策が講じられました。最初に、データセットはトレーニングセットと検証セットに分割されます。これは、トレーニングに使用されなかったデータセットでモデルのパフォーマンスを評価するために使用される一般的な手順です。トレーニングと検証用に個別のデータセットを提供することで、この分離により過剰適合が回避され、モデルの有効性を徹底的に評価できるようになりました。

データ拡張アプローチを使用して、トレーニングをさらに改善し、過剰適合を止めました。これらの手法では、トレーニング データを強化することで、画像に回転、移動、反転が追加されました。このモデルは、トレーニングデータの多様性を広げることで、目に見えなかった入力データの分散をより一般化することができました。モデルチェックポイントは、トレーニングプロセス中に一定の間隔でモデルの重みを保存するために使用されました。この方法では、検証精度に基づいて最もパフォーマンスの高いモデルを見つけることができ、最終モデルが最高の状態で機能し続けること.......

Discussion

この研究では、X 線画像を使用した KOA グレーディングのための自動ディープラーニングベースの技術が提示されました。XceptionNet アーキテクチャを使用したこのモデルは、さまざまな評価手段にわたって顕著な堅牢性と精度を示し、臨床現場での使用の可能性を示唆しました。

現在の方法論に加えて、外部データセットの検証を使用して、仮説をさらに確認し、さまざまな画像条件や人口統計データにわたるモデルの一般化可能性を評価することができます。リアルタイムの臨床操作におけるモデルの有効性は、その適用性に関する有用な情報を提供する前向き研究を通じて評価されることもあります^40,41。さらに、前処理およびモデルパイプラインの各部分の特定の寄与は、アブレーション研究によって確認される可能性があります。予測精度が向上し、臨床データまたは人口統計データとともに X 線画像などのマルチモーダル データを含めることで、よ.......

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
Jupyter Notebook/Colab	プロジェクト Jupyter / Google	該当なし	インタラクティブにモデルを開発および実験するため。
Matplotlib (バージョン: 3.4.3) &Seaborn(バージョン:0.11.2)	コミュニティ	該当なし	データの視覚化と結果プロット用。
メンデレー/カグルデータ	エルゼビア;コミュニティ	該当なし	データセットソース: 変形性膝関節症重症度グレーディングデータセット
OpenCV (バージョン: 4.5.5)	インテル	該当なし	X線画像の前処理(サイズ変更、CLAHE、ガウスフィルタリング)に。
Python (バージョン: 3.8)	Pythonソフトウェア財団	該当なし	モデル開発に使用されるプログラミング言語。
scikit-learn(バージョン:1.0.2)	コミュニティ	該当なし	データ分割、パフォーマンス指標、基本的なMLユーティリティに使用されます。
TensorFlow/Keras (テンソルフロー/ケラス)	Google/コミュニティ	該当なし	XceptionNetベースのディープラーニングモデルの実装とトレーニングに使用されます。Tensorflow バージョン: 2.6.0、RRID:SCR_018932。Kerasバージョン:2.6.0、RRID:SCR_018961
Ubuntu OS	正規	該当なし	すべてのソフトウェアツールとの互換性に使用されるオペレーティングシステム。バージョン 20.04 を推奨します。