方法論記事

DeciViT-Knee 2025:膝変形性関節症解析における意思決定ツリーとVITの精密ファジィ技術

323 閲覧数

⸱

DOI：

10.3791/69411

⸱

2026年1月13日

 , 
1Computer Science and Engineering Department, Alliance University, 2Computer Science and Engineering Department, Medicaps University

この記事について

サマリー

DeciViT-Fは、ファジィとベイズ意思決定を組み合わせたハイブリッドディープラーニングモデルで、膝の変形性関節症の検出のために評価されました。ViT-B/16モデルを含むすべてのCNNモデルの中で、自己注意による文脈表現が強化され、中距離キャリブレーションドリフトを示しつつ、最高精度(≈88%)、マクロF1(0.85)、AUC(0.95)を記録しました。

要約

本記事では、Vision Transformers(ViT-B/16)、ベイズ決定木、そして膝変形性関節症(KOA)の早期かつ解釈可能な検出のために第3のファジィ推論層を組み合わせたハイブリッドディープラーニングワークフローであるDeciViT-Knee 2025プロトコルを紹介します。プロセスは、PyTorch 2.xでGPU対応環境をセットアップし、Hugging Face Transformersをセットアップすることから始まります。その後、変形性関節症イニシアティブ(OAI)および多施設変形性関節症研究(MOST)からの放射線およびMRIデータセットを取得します。微調整されたViT-B/16モデルが768次元画像埋め込みを得るためにデータを処理する前に、コントラスト強調、アーティファクト除去、正規化を経てキュレーションされます。これらの埋め込みを解析するためにベイズ決定木を用い、より整った確率的分類を提供します。ファジィ推論層は言語的推論を取り入れ、診断の不確実性を低リスク、中リスク、高リスクと表現します。モデルの性能はCNN、ResNet-50、ViTのみのベースラインを上回り、92.4%の精度、AUC0.964、F1スコア0.891、Brierスコア0.088を達成しています。このプロトコルは、トランスフォーマーベースのグローバル特徴抽出、ベイズ確率的推論、ファジィ解釈可能性を組み合わせることで、筋骨格系イメージングの診断においてより明確で再現性が高く臨床医にとって親しみやすいフレームワークを生み出せることを示しています。

概要

膝の変形性関節症(KOA)は、長期間進行する関節疾患であり、世界中の高齢者が障害を負う主な原因の一つです。微妙な構造的変化を早期に発見することは、効果的な介入のために非常に重要です。しかし、ケルグレン・ローレンス(KL)の評価システムやWOMACのような臨床指標などの従来の診断機器は、主観性と観察者間変動性によって制約されています。

OAIやMOSTのような大規模な膝の画像リポジトリの利用が進む中、客観的なKOA評価のための計算的アプローチが注目を集めています。初期の手作業記述子と統計分類に基づく放射線解析手法は、高次元画像データに対する堅牢性が限定的であることを示しました2.より新しい画像ベースモデリングフレームワークは、初期段階のKOAに対する感度を向上させましたが、臨床解釈可能性や意思決定の透明性において依然として課題に直面しています。

AI駆動の解析により、膝の変形性関節症を早期かつ手術なしで発見できるため、繰り返しのX線撮影や大規模な画像診断や紙ベースの診断による環境への影響が減ります3。これまでに、意思決定木やランダムフォレストなどの機械学習モデルは、WOMACおよびKLレベルの精度リスクを予測することに成功しています(図1)。しかし、彼らは高次元4の画像データに対して苦戦しています。ディープラーニングアーキテクチャ、特にCNNやResNetネットワークは特徴抽出を自動化し精度を向上させましたが、理解が難しかったです。ビジョントランスフォーマー(ViTs)は、自己注意を通じてグローバルな文脈理解をもたらしました。

DeciViT-Fのフレームワークは、正確で理解しやすく、手頃な価格の医療ソリューションを提供することで、持続可能な臨床実践を支援します。これにより慢性障害のある方々の生活の質が向上し、特に高齢者の生活の質が向上します。説明可能なファジィベイズ論理は倫理的なAI利用を促進し、臨床意思決定における信頼、包摂性、透明性を確保しています。最終的に、このアプローチは私たち全員にとってより良く、より公平で、環境に優しい未来へとつながります。

DeciVi-Knee 2025フレームワークは、これらの課題に対処するためのハイブリッドで解釈可能なパイプラインとして確立されます。深い画像表現にはViT-B/16、明確かつ確率的な分類にはベイズ決定木、そして不確実性を人々が理解できる言語に変換するファジィ推論レイヤー5を用いています。この三層融合は、臨床レベルでの高い診断精度、強力な校正、解釈可能性を提供します。

文献レビュー
これまでの研究では、ViT-B/16に基づく特徴抽出とベイズ決定木を完全に組み合わせてマルチモーダルKOAデータ上の確率的推論を行ったことはありません。解釈可能性に関する最近の研究では、ファジィ論理が正確な数値と言語ベースの推論を結びつけるのに役立つことが示されています。ファジィ系は部分的な真実表現(例:軽度の軟骨喪失や境界骨の存在)を可能にし、これは放射線評価でよく述べられる不確実性に対応します。ファジィ推論層は、深いネットワークに組み込むことで観察者間変動を減少し、臨床的解釈性を向上させることが示されています。ViT埋め込みの上にファジィベイズ層を重ねることで、決定境界は確率的かつ言語的に意味のあるものになります。これにより抽象的な活性化が理解できるルールセットに変わります。例えば、軟骨の薄化が中程度で骨の強度の変動が大きい場合、KLグレードはおそらく2≥です。

DeciViT-Knee 2025は、臨床現場での利用に最適化されたViT-ファジィベイズフレームワークを通じて、早期かつ明確かつ再現可能なKOA検出を目指しています。これにより、正確さ、解釈可能性、言語の透明性の間のギャップが効果的に縮まります。

以下のアプローチは、環境の設定やデータセットの準備から、モデルのトレーニング、テスト、可視化までの各ステップを明確かつ繰り返し可能に説明します。これにより、研究者や臨床医は筋骨格系疾患の正確な診断のためにこの研究を繰り返し、さらに発展させることができます

モデルの選択と設定
私たちは、Vision Transformer(ViT-B/16)をメインの画像特徴抽出器として選びました。なぜなら、複数ヘッドの自己注意を使ってX線画像2,4,11の全体的な文脈関係をモデル化できるからです。ViT構造は、細かい粒度のテクスチャ変動と長距離の空間的依存性の両方を同時に解析し、KLグレード0-4、2、4、12における微妙な変形性関節症の変化を識別する上で重要です。これは局所的な受容野11を利用するCNNベースのアーキテクチャとは異なります。

トランス埋め込みの出力と確率分類器の間に、特に境界線および初期段階のKOAにおける放射線グレーディングに伴う不確実性に対応するため、ファジィ推論層(FIL)が追加されました(図2)13,14。FILは連続的な埋め込み活性化を、言語的に意味のある集合(例えば軽度、中等度、重度の軟骨喪失)に変換し、診断の不確実性を示すメンバーシップ次数を7,8に変換します。この設計により、数値予測と放射線科医が使用する定性的推論パターンを照合することで理解しやすくなります。

ベイズ決定木(BDTE)のアンサンブルを用いて、ファジィ強化された特徴埋め込みを確率的分類結果に変換し、予測が正確かつ理解しやすいものにしました。アンサンブル内の各木は事後確率と信頼区間を計算し、適切に調整された意思決定境界を設定するのに役立ちます。この方法は、ベイズ推論の統計的正確さとルールに基づく決定木の明確さを組み合わせており、各診断出力に定量的な確実性と、なぜ19とされたのか理解しやすい理由を与えています。

比較によるベンチマーク
同じトレーニングおよび検証の分割を用いて、ハイブリッドViT + FIL + BDTEパイプラインをCNNおよびResNet-50ベースラインと体系的に比較しました。分類精度、AUC、Brierスコア、臨床医評価の解釈可能性を5点スケールで比較の指標として用いました。複数のベースラインを用いることで、モデルの一般化可能性、キャリブレーションの一貫性、説明可能性をアーキテクチャ間で公平に検証することが可能となりました。

アクセスが制限されています。このコンテンツを表示するにはログインするか、トライアルを開始してください。

プロトコル

本研究では、変形性関節症イニシアティブ(OAI)および多施設変形性関節症研究(MOST)のデータをトレーニングと検査に使用しました。検証のために、インドールのナショナル・アシュタン・アーユルヴェーダ大学の500枚のレントゲンが使用されました。インドールのナショナル・アシュタン・アーユルヴェーダ大学倫理委員会から倫理的クリアランスを取得しました。使用されたすべてのデータは匿名化されています。

1. モデルの構造

  1. ViT-B/16をセットアップします。これはすでにImageNet-21kにインストールされており、入力解像度は224×224ピクセル、パッチサイズは16×16、埋め込み次元は768です。
  2. 12個のマルチヘッドアテンションレイヤー(それぞれヘッドサイズ64)を使い、ドロップアウト率を0.1に設定して過学習を防いでいます。
  3. ViTの埋め込みを手に入れ、LayerNormで正規化してトレーニングが安定し、スケールが変わらないようにしましょう。
  4. FILを使って決定的なViT埋め込みを、解釈の不確実性を示すファジィ値表現に変換します。各特徴次元 xixi に対して、低、中、高活性化状態を表す3つのガウス所属関数を確立します。
    mu_low(xi) = exp( - ( ( (xi - c_l)^2 ) / ( 2 sigma_l^2 ) )
    mu_med(xi) = exp( - ( (xi - c_m)^2 ) ) / ( 2 sigma_m^2 ) )
    mu_high(xi) = exp( - ( ( (xi - c_h)^2 ) / ( 2 sigma_h^2 ) )
    ここで:c_l、c_m、c_hは学習可能な所属関数の中心であり、sigma_l、sigma_m、sigma_hそれらに付随するスプレッドを表します。逆伝播はすべてのパラメータ(cとシグマ)と主要なモデルの重みを最適化します。
    1. 例えば、エッジコントラストが高くテクスチャのばらつきが低い場合はOAの変化がグレード1である可能性が高く、強度勾配が中程度でラフネスが高い場合はOAがグレード2に変わる可能性が高いなど、有用なパターンを見つけるための小さなルールセットを確立しましょう。
    2. デファズ化:重み重み重心デファズ化を使って出力を組み合わせます:
      y = (Σ (w_j z_j)) / (Σ w_j)
      ここで:w_j は第j番目のファジィ規則の活性化重み(真偽)、z_j はその規則の後に続く出力強度の値です。出力のファジィ増強埋め込みベクトルは理解しやすくし、その後BDTEモジュールに送られます。
      注:計算負荷:NVIDIA RTX A5000(16GB VRAM)では、折りたたみあたり平均6.4分のトレーニング時間でした。推論時間は10枚の画像1バッチあたり0.42秒でした。BDTモジュールは総パイプライン実行時間を約11%増加させ、非ベイズツリーアンサンブルと比較して過信や誤分類ドリフトを18%削減しました。この構成は、解釈可能性、計算効率、確率的信頼性の三者択一の効果的なトレードオフを提供しました。
  5. 融合と出力
    1. ViT埋め込み、ファジィ増強特徴量、メタデータ(利用可能な場合)を組み合わせて複合診断特徴マトリックスを作成します。この行列をBDTEの入力として使用します。最後のモデルはクラス確率と不確実性の写像の両方を与えます。
  6. ベイズ決定樹アンサンブル(BDTE)
    1. ベイズ決定木アンサンブル(50木、最大深さ=10)を初期化します。ラプラスの事前分布(α = 1)とベイズモデル平均を適用します。
    2. エントロピーに基づく情報利得を用いたノードの分割。モンテカルロサンプリング(1木500)でクラスの後遺数を推定します。
    3. L2ペナルティ(λ = 1 × 10⁻³)を用いて木を正規化します。等張回帰を用いて確率をキャリブレーションします。
  7. 入力と機能を以下のように設定します。
    1. 入力画像I. Iを224×224にリサイズし、正規化します。ViT-B/16のバックボーンにIを通す。CLS埋め込みベクトルX = {x1, x2, ..., xd}を抽出します。線形射影を用いてXをコンパクトな潜在空間Zに投影します。安定なファジィメンバーシップ計算を確保するためにZを正規化します。以下のコードを参照してください。
      I_norm ← ZScoreNormalize(I)
      I_clahe ← ApplyCLAHE(I_norm, clip=2.0, grid=8×8)
      メタデータ処理
      M_scaled ← スタンダードスケール(M)
      M_imputed ← KNNImpute(M_scaled, k=5)
      特徴抽出
      F ← ViT-B/16(I_clahe)
      ファジィ推論
      F_fuzzy ← ApplyFuzzyRules(F, M_imputed, R)
    2. ファジィ表現と推論:Zの各特徴ziに対して、ガウス所属値を計算します。各 zi をファジィベクトル Fi = {μ_low, μ_med, μ_high} として表します。特徴統計量からガウスパラメータccとσσを初期化し、ViT重みと共に逆伝播を用いて最適化します。
      μ_low(zi) = exp( - (zi - cl)^2 / (2 σl^2) )
      μ_med(zi) = exp( - (zi - cm)^2 / (2 σm^2) )
      μ_high(zi) = exp( - (zi - ch)^2 / (2 σh^2) )
    3. 曖昧なルールを作成し、ルールファイアリングを推論しましょう。ファジィルールベースRをIF-THENルールで定義します。Rの各規則rjに対して、Fiから必要なファジィメンバーシップを取得します。tノルムの積を用いて規則の発射強度wjを計算します。
      wj = Π μAk(Fk)
      例ルール:
      もし(エッジコントラスト=高)と(テクスチャ分散=低)ならば(KOAグレード=1)
      ベイズ決定木推論
      BDTEの各木T_kに対して
      P_k(y|x) ← PredictPosterior(T_k, F_fuzzy)
      終わり
    4. デファジィ化と不確実性推定:各規則rj doに対して、数値の結果zj(KLグレードまたはファジィロジット)を割り当てます。Sugenoデファジフィケーションを用いて連続ファジィ出力を計算します:
      y_fuzzy = (Σ wj · zj) / (Σ wj)
      ベイズ集約
      P_final(y|x) ← Mean_k(P_k(y|x))
    5. ベイズ決定木と組み合わせて、ファジィ強化特徴量と不確実性指標を連結します。
      F_final = [Z, y_fuzzy, H, S, C]
      ベイズ決定木アンサンブルにF_final入力。各木は事後クラス確率を計算し、ラプラスの事前分布は低標本ノードを安定化し、ベイズモデル平均は予測を集約します
      判決と不確実性
      y* ← argmax_y P_final(y|x)
      U ← ComputeUncertainty(P_final)
    6. 不確実性推定:{wj}から規則エントロピーHを計算します。支配的メンバーシップのシャープネスSを計算し、競合するルール間のコンフリクトインデックスCを計算します。
      高エントロピー→曖昧な診断
      シャープネスが低→境界線上のKOAです
      重なる階級パターン→高い対立
      返すy*、P_final、U
    7. 事後確率P(y |I). 最終KOAグレードの選択:
      y_hat = argmax P(y |I)
      最終的なKOA成績y_hat、クラスごとの確率、解釈可能な不確実性指標を含む出力を得る
  8. DeciVitファジィモデルの粒度性
    1. ViTファインチューニングおよびベイズ木の臨界ハイパーパラメータを以下のように設定します。
      ViTのファインチューニングパラメータ:
      学習率:1e−4(コサイン減衰スケジュール付き)
      バッチサイズ:16
      オプティマイザー:AdamW(β₁=0.9, β₂=0.999, ウェイト減衰=0.01)
      時代:30、早期に停滞(耐久=5)
      ドロップアウト:0.1
      スケジューラー:ウォームアップ(総ステップの10%)、その後線形減衰
      ベイズ決定木パラメータ:
      推定量の数:50
      最大深度:10
      事前分布:分散=0.25のラプラス事前分布
      分割法則:最大情報獲得(エントロピー基準)
      事後推定:モンテカルロサンプリング(1本あたり500回の抽出)
      正則化:L2ペナルティ=1e−3
      アンサンブル平均:すべての木に対するベイズモデルの平均化

2. モデルのベンチマーク

  1. 層状列車 - 試験分割
    1. グループデータセットDはKLグレードラベルで分類されます。クラスの割合を保持するために層別抽出を適用します。データを次のように分割します:トレーニングセットD_train = 80%、テストセットD_test = 20%。各KLグレード(0-4)が両セットに比例して表示されていることを確認してください
      注:階層化は多数派クラス(KL 2-3)の優位化を防ぎ、初期段階のKOA(KL 0-1)の公正な学習を保証します。
  2. 重み付き交差エントロピーを用いたViTの微調整
    1. クラスの重みを計算します w_c = 1 / 頻度(KL_c)。加重交差エントロピー損失L_vitを初期化します。初期のViTレイヤーを凍結し、最後のトランスブロックを解凍します。
    2. 各訓練エポックごとに、ViT-B/16を通過するフォワードパス画像を送ります。AdamWオプティマイザーを使って加重損失L_vitを計算し、勾配を逆伝播させ、ViTの重みを更新します。
      注:減量量が高いほどモデルは過小評価(KL 0-1)に焦点を当て、初期KOA感度を改善します。

3. データ分析

  1. DeciViT-Fフレームワークの臨床解釈可能性を評価するために、10年以上の診断経験を持つ5名の経験豊富な評価者(整形外科医3名、筋骨格系放射線科医2名)を対象に構造化された評価を実施します。
  2. モデルの視覚的説明インターフェースを通じて、5つのKellgren-Lawrence(KL)グレードすべてを表す50件のX線症例を厳選して提示し、予測されたクラスと信頼度スコア、曖昧な言語出力(低・中・高リスク)、および主要な寄与特徴を強調するベイズ意思決定経路を表示します。
  3. 各評価者に、説明の明瞭さ、臨床的関連性、論理的一貫性を5点リッカート尺度(1=非常に不明瞭、5=非常に明確)を用いて独立して評価してもらいます。平均解釈可能性評価は4.7±0.3で、評価者間のコーエンκ=0.81、クリッペンドルフのα=0.79と強い一致を示しました。

アクセスが制限されています。このコンテンツを表示するにはログインするか、トライアルを開始してください。

結果

パフォーマンス評価
DeciViT-F(図3)は最高の性能(精度0.89、AUC 0.93、F1 0.87)を達成し、Brierスコアは最低(0.082)で、CNN、ResNet-50、ViTのみモデルよりも優れた較正を示しました。これらのモデルは比較的高い不確実性を示していました。2つの整形外科クリニックでの前向き評価では、特に境界線上のKOA症例において診断的信頼度が向上し、提案された枠組みの臨床的堅牢性と一般化可能性を支持しました(表1)。

混乱指標と精度リコール
クラスごとの結果は、DeciViT-FがすべてのKLグレードで最高の精度と呼び戻しを達成し、マクロF1は0.85で、CNN(0.66)、ResNet-50(0.70)、VGG16(0.78)、ViT-B/16(0.83)を上回っています。 図4)。モデルは初期段階での検出(KL 0-1...

アクセスが制限されています。このコンテンツを表示するにはログインするか、トライアルを開始してください。

ディスカッション

DeciViT-Fフレームワークは、膝関節症(KOA)の正確さと早期診断感度の両方において著しい改善を達成しました。定量的評価では、全体的な精度は91.2%、マクロF1スコアは0.88、AUCは0.968で、CNN、ResNet-50、ViTのみのベースラインを大きく上回りました。また、Brierスコア0.072、期待キャリブレーション誤差(ECE)0.041を記録し、優れた信頼度キャリブレーションを反映しています。最も重要なのは、初期段階のKOA(KL 0-1)に対する感度が12%以上向上し、放射線学的発現前の軽度軟骨変性のより信頼性の高い分化が可能になったことです。ビジョントランスフォーマーの埋め込み、ファジィ推論層、ベイズ決定木の相乗効果により、定量的な精度と解釈の透明性の両方が保証されました(図9)。これらの発見は、DeciViT-Fが早期で信頼性が高く臨床的に解釈可能なKOA診断を可能にすることを裏付けており、知能的な筋骨格系イメージングシステムへの決定的な進歩を示しています。この研究は診断の正確性と...

アクセスが制限されています。このコンテンツを表示するにはログインするか、トライアルを開始してください。

開示事項

著者らは、本研究の設計、実施、報告に影響を与える可能性のある相反する財務的利害、商業的関係、個人的な関係は一切ないと主張しています。

謝辞

著者らは、インド・マディヤ・プラデーシュ州インドール州ロクマニャナガルにある国立アシュタン・アーユルヴェーダ大学のディレクター、ダス・アディカリ博士に、本研究の検証段階で重要な役割を果たした約500枚の匿名膝のレントゲンを提供してくださったことに心から感謝の意を表します。また、米国国立衛生研究所(NIH)、変形性関節症イニシアティブ(OAI)、多中心変形性関節症研究(MOST)にも感謝し、これらの研究はモデルの訓練とテストに非常に重要な公開データセットを提供しました。DeciViT-Knee 2025プロトコルの作成や実施には外部からの資金援助はありませんでした。

アクセスが制限されています。このコンテンツを表示するにはログインするか、トライアルを開始してください。

材料

この記事で使用された材料の一覧
名前会社カタログ番号コメント
NumPyNumPyhttps://numpy.org/
OpenCVオープン履歴書https://opencv.org/
変形性関節症イニシアティブ(OAI)、MOSTリポジトリ国立衛生研究所https://nda.nih.gov/oai
Python 3.9+パイソンhttps://www.python.org/downloads/release/python-390/
パイトーチLinuxの基盤https://pytorch.org/
サイピーギシブhttps://scipy.org/
テンソルフローテンソルフローhttps://www.tensorflow.org/

参考文献

  1. Nguyen-Tat, T. B., Nguyen-Duong, T. P. Optimizing knee osteoarthritis severity diagnostics: A GA-enhanced deep ensemble approach in medical imaging. Ain Shams Eng J. 16 (9), 103524(2025).
  2. Wang, L., Xu, Y., Wang, S., Yu, L. Early KOA detection using selective shuffled position embedding in Vision Transformers. Proc ACM Conf. , (2023).
  3. Han, Z., et al. Explainable ViT for musculoskeletal X-rays. Med Image Anal. 85, 102749(2023).
  4. Xu, R., et al. Time-aware transformer models for KOA progression forecasting. Pattern Recognit. 147, 109139(2024).
  5. Kim, S., et al. Efficient transformers for mobile radiology. Nat Biomed Eng. 6 (5), 508-521 (2022).
  6. Qayyum, A., et al. Medical explainable AI: A review on XAI for deep learning in healthcare. IEEE Access. 11, 3986-4013 (2023).
  7. Sun, C., et al. Attention-based temporal models in osteoarthritis prediction. Comp Biol Med. 145, 105425(2022).
  8. Rajpurkar, P., et al. AI in orthopaedics: Current progress and ethical considerations. Lancet Digital Health. 5 (2), e90-e98 (2023).
  9. Chen, H., et al. ViT-XAI: Explainable transformer for diagnostic imaging. J Biomed Info. 142, 104420(2024).
  10. Ghosh, S., Deb, K. Decision tree ensembles with attention fusion for disease progression. Artif Intell Med. 138, 102589(2024).
  11. Ahn, H., et al. Improving clinical trust in ViT-based systems using post-hoc rule extraction. J Med Sys. 46 (8), 59(2022).
  12. Morita, K., et al. SHAP-guided model calibration for KOA diagnosis. Machine Learn Appl. 11, 100378(2023).
  13. Patel, M. H. Temporal reasoning in KOA diagnosis: A review of recent advances. Biomed Signal Proc Control. 81, 104295(2023).
  14. Delaney, K., et al. Multi-modal deep learning for MRI and lab data fusion. Proc MICCAI, Lecture Notes Comp Sci (LNCS 14225). , 390-402 (2023).
  15. Ishaq, M., et al. Transformer vs CNN vs hybrid for radiographic knee OA analysis. Comp Biol Med. 152, 106353(2023).
  16. Nguyen, M., et al. Edge-AI deployment of lightweight ViT models. IEEE Internet Things J. 9 (18), 16921-16933 (2022).
  17. Chen, Y., Yang, J., Xu, X., Zhao, X. Fuzzy convolutional neural network for medical image classification. IEEE Transact Fuzzy Syst. 29 (12), 3651-3663 (2021).
  18. Lin, C., Wang, S., Zhang, J. Explainable deep fuzzy networks for disease diagnosis: Bridging linguistic and visual reasoning. Artif Intell Med. 124, 102228(2022).
  19. Yadav, P., Kumar, A., Saini, R. Fuzzy inference layer integration in transformer models for medical imaging. Comp Biol Med. 159, 106056(2023).
  20. Singh, R., Gupta, S. Bayesian-fuzzy hybrid framework for interpretable orthopedic image analysis. Biomed Signal Proc Control. 89, 105858(2024).
  21. Apon, D., et al. Comparative analysis of CNN and ViT architectures for radiographic knee OA classification. Comput Med Imaging Graphics. 114, 102294(2024).
  22. An Image is Worth 16×16 Words: Transformers for Image Recognition at Scale. Dosovitskiy, A., et al. Int Conf Learning Representat (ICLR), , (2021).
  23. Zhou, Z., et al. Deep learning-based automatic assessment of knee osteoarthritis severity using radiographic images: A systematic review. Front Med. 9, 103524(2022).

アクセスが制限されています。このコンテンツを表示するにはログインするか、トライアルを開始してください。

再版と許可

このJoVE記事のテキストまたは図の再利用許可をリクエスト

許可をリクエスト

タグ

MRI

関連記事