수정된 XceptionNet 아키텍처를 사용한 무릎 골관절염 등급을 위한 전이 학습 기반 딥 러닝 접근 방식

Summary

X-레이에서 무릎 골관절염 식별을 향상시키기 위해 본 연구는 전이 학습과 함께 수정된 XceptionNet을 사용하는 딥 러닝 모델인 OsteoXceptionNet을 제안합니다. 이 모델은 기능 추출을 개선하고, 수동 해석 오류를 줄이며, 보다 정확하고 자동화된 분류를 가능하게 합니다.

Abstract

무릎 골관절염(KOA)은 전 세계적으로 수백만 명의 개인에게 영향을 미치고 있으며 알려진 치료 방법이 없어 심각한 글로벌 건강 문제가 되고 있습니다. 발달 관리는 조기 발견에 달려 있으며 X선 영상은 기본적인 진단 기술입니다. 그러나 방사선 전문의의 경험 수준의 차이로 인해 수동 X선 해석은 변동성과 부정확성 가능성을 증가시킵니다. 최근 기계 학습 및 딥 러닝 기술의 발전으로 무릎 골관절염의 방사선학적 식별을 위한 자동화 시스템이 탄생했습니다. 그러나 초기 단계 탐지의 경우 더 높은 예측 정확도를 얻는 것이 여전히 중요합니다. 더 큰 데이터 세트에서 수집된 통찰력을 활용함으로써 더 작은 도메인별 데이터 세트에서 훈련된 모델은 전이 학습을 사용하여 더 나은 성능을 발휘합니다. 깊이와 효율성으로 인해 XceptionNet은 의료 이미지 해석과 관련된 작업에 특히 적합합니다. 이전 연구와 달리 이 방법은 클래스 밸런싱 접근 방식을 사용하고, 맞춤형 전처리 파이프라인을 통합하고, XceptionNet에 맞춤형 아키텍처 개선 사항을 추가하여 초기 단계의 KOA 식별을 개선함으로써 데이터 세트 불균형을 효율적으로 해결합니다. 이러한 최첨단 방법을 사용하여 제안된 접근 방식은 무릎의 방사선 사진에서 골관절염을 정확하게 식별하여 97%의 예측 정확도, 97.8% 정밀도, 97.6% 회상 및 97.6% F1 측정을 달성할 수 있는 잠재력을 보여줍니다. 또한 생성된 모델은 95.94%의 Cohen's kappa 값을 보여 양호한 일치를 나타냅니다. 이 연구는 환자 결과를 개선하고 보다 효율적인 의료 서비스 제공을 촉진하는 신뢰할 수 있는 자동화된 질병 감지 기술을 개발하기 위한 추가 노력을 지원합니다.

Introduction

무릎 골관절염(KOA)은 많은 사람들에게 영향을 미치고 환자와 의료 기관 모두에게 상당한 부담을 주는 전 세계적으로 중요한 공중 보건 문제입니다. 이 장애에서는 무릎 관절의 관절 연골이 점차 악화됩니다. 나이, 비만, 관절 외상, 생체역학적 변수 및 유전적 감수성이 혼합된 복잡하고 다차원적인 병인을 가지고 있습니다¹.

구조적 무결성이 상실되면 연골이 얇아지고 균열이 생기고 결국 침식되어 밑에 있는 뼈가 노출됩니다. KOA의 증상은 시간이 지남에 따라 광범위하고 자주 악화될 수 있으며, 약간의 불편함부터 참을 수 없는 통증^{및 기능 상}실에 이르기까지 2. 무릎 통증의 주요 징후는 일반적으로 체중 부하 운동과 장기간의 활동으로 인해 악화됩니다. 일반적인 관찰에는 특히 휴식 시간 동안의 경직, 부종, 염발음 및 운동 범위 감소가 포함됩니다³. 이러한 증상은 일상적인 기능을 심각하게 방해하여 기능을 제한하고 이를 경험하는 사람들의 삶의 질을 저하시킵니다.

여기서 테스트된 가설은 자동화된 딥 러닝 기반 모델이 전문 방사선 전문의와 동등한 진단 성능을 발휘할 수 있으며 Kellg....

Protocol

이 섹션에서는 수정된 XceptionNet 모델을 사용하여 무릎 골관절염 진단 및 등급을 향상시키기 위해 고안된 포괄적인 접근 방식을 제시합니다. 제시된 방법론은 신중한 데이터 전처리, 철저한 모델 아키텍처 사용자 정의 및 강력한 평가 기술을 기반으로 하며, 이 모든 것은 무릎 OA 이미징과 관련된 복잡한 문제를 해결하기 위한 것입니다. 그림 2에는 모델의 흐름이 설명되어 있습니다.

그림 2: 모델의 워크플로우. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

데이터 세트 설명

Results

모델의 검증 단계 전반에 걸쳐 아직 관찰되지 않은 데이터로 일반화되도록 보장하기 위해 몇 가지 중요한 조치가 취해졌습니다. 처음에 데이터 세트는 훈련 세트와 검증 세트로 나뉩니다. 이는 훈련에 사용되지 않은 데이터 세트에서 모델의 성능을 평가하는 데 사용되는 일반적인 절차입니다. 훈련 및 검증을 위한 별도의 데이터 세트를 제공함으로써 이러한 분리는 과적합을 방지하고 모델 효율성을 철저히 평가할 수 있게 했습니다.

데이터 증강 접근 방식을 사용하여 훈련을 더욱 개선하고 과적합을 막았습니다. 이러한 방법은 훈련 데이터를 향상시켜 이미지에 회전, 변환 및 대칭 이동을 추가했습니다. 이 모델은 훈련 데이터의 다양성을 확장하여 보이지 않는 입력 데이터의 분산을 일반화하는 능력이 더 뛰어났습니다. 모델 체크포인트는 훈련 프로세스 중에 일정한 간격으로 모델 가중치를 저장하는 데 사용되었습니다. 이 방법을 사용하면 검증 정확도를 기반으로 최고 성능의 모델을 찾을 수 있어 최종 모델이 계속해서 .......

Discussion

이 연구는 X선 이미지를 사용한 KOA 등급을 위한 자동화된 딥 러닝 기반 기술을 제시했습니다. XceptionNet 아키텍처를 사용한 이 모델은 다양한 평가 측정에서 주목할만한 견고성과 정확성을 보여 임상 환경에서 사용될 수 있음을 시사합니다.

현재 방법론 외에도 외부 데이터 세트 검증을 사용하여 가설을 추가로 확인하고 다양한 이미징 조건 및 인구통계학적 데이터에 걸쳐 모델의 일반화 가능성을 평가할 수 있습니다. 실시간 임상 운영에서 모델의 효과는 또한 전향적 연구를 통해 평가될 수 있으며, 이는 적용 가능성에 대한 유용한 정보를 제공할 것입니다^40,41. 또한, 전처리 및 모델 파이프라인의 각 부분의 구체적인 기여는 절제 연구를 통해 확인할 수 있습니다. 예측 정확도가 향상될 수 있으며 임상 또는 인구통계학적 데.......

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
Jupyter 노트북/Colab	프로젝트 Jupyter / Google	해당 사항 없음	대화식으로 모델을 개발하고 실험합니다.
Matplotlib (버전 : 3.4.3) & Seaborn (버전 : 0.11.2)	커뮤니티	해당 사항 없음	데이터 시각화 및 결과 플롯용.
Mendeley/Kaggle 데이터	엘스비어; 커뮤니티	해당 사항 없음	데이터 세트 소스: 무릎 골관절염 중증도 등급 데이터 세트
OpenCV (버전 : 4.5.5)	인텔	해당 사항 없음	X선 이미지 전처리(크기 조정, CLAHE, 가우스 필터링)용.
파이썬(버전: 3.8)	파이썬 소프트웨어 재단	해당 사항 없음	모델 개발에 사용되는 프로그래밍 언어입니다.
scikit-learn(버전: 1.0.2)	커뮤니티	해당 사항 없음	데이터 분할, 성능 지표 및 기본 ML 유틸리티에 사용됩니다.
TensorFlow/케라스	구글/커뮤니티	해당 사항 없음	XceptionNet 기반 딥 러닝 모델을 구현하고 학습하는 데 사용됩니다. Tensorflow 버전: 2.6.0, RRID:SCR_018932. Keras 버전: 2.6.0, RRID:SCR_018961
우분투 OS	교회법에 의거한	해당 사항 없음	모든 소프트웨어 도구와의 호환성을 위해 사용되는 운영 체제입니다. 버전 20.04를 권장합니다.