Podejście oparte na uczeniu głębokim oparte na uczeniu transferowym do oceny choroby zwyrodnieniowej stawu kolanowego przy użyciu zmodyfikowanej architektury XceptionNet

Summary

Aby poprawić identyfikację choroby zwyrodnieniowej stawu kolanowego na podstawie zdjęć rentgenowskich, badanie to sugeruje OsteoXceptionNet, model głębokiego uczenia, który wykorzystuje zmodyfikowany XceptionNet z uczeniem transferowym. Ten model usprawnia wyodrębnianie cech, zmniejsza błędy interpretacji ręcznej i umożliwia bardziej precyzyjną, zautomatyzowaną klasyfikację.

Abstract

Choroba zwyrodnieniowa stawu kolanowego (KOA) dotyka miliony osób na całym świecie i nie ma znanego leczenia leczniczego, co czyni ją poważnym globalnym problemem zdrowotnym. Zarządzanie jego rozwojem zależy od wczesnego odkrycia, a obrazowanie rentgenowskie jest podstawową techniką diagnostyczną. Jednak ze względu na różnice w poziomie doświadczenia radiologów, ręczna interpretacja zdjęć rentgenowskich zwiększa zmienność i możliwe niedokładności. Ostatnie postępy w technikach uczenia maszynowego i głębokiego uczenia się zapoczątkowały stworzenie zautomatyzowanych systemów do radiologicznej identyfikacji choroby zwyrodnieniowej stawów kolanowych. Jednak w przypadku wykrywania na wczesnym etapie uzyskanie większej dokładności przewidywania jest nadal kluczowe. Wykorzystując szczegółowe informacje zebrane z większego zestawu danych, modele wytrenowane na mniejszych, specyficznych dla domeny zestawach danych działają lepiej dzięki zastosowaniu uczenia transferowego. Ze względu na swoją głębię i skuteczność, XceptionNet szczególnie dobrze nadaje się do prac związanych z interpretacją obrazów medycznych. W przeciwieństwie do poprzednich badań, metoda ta skutecznie rozwiązuje problem nierównowagi zbiorów danych, wykorzystując podejścia równoważenia klas, integrując niestandardowy potok przetwarzania wstępnego i dodając niestandardowe ulepszenia architektury do XceptionNet, co poprawia identyfikację KOA na wczesnym etapie. Dzięki zastosowaniu tych najnowocześniejszych metod, sugerowane podejście wykazuje potencjał w prawidłowym identyfikowaniu choroby zwyrodnieniowej stawów na podstawie obrazów radiologicznych kolana, osiągając 97% dokładność przewidywania, 97,8% precyzję, 97,6% zapamiętanie i 97,6% pomiar F1. Dodatkowo wygenerowany model wykazał 95,94% wartości kappa Cohena, co wskazuje na dobrą zgodność. Badanie wspiera dalsze wysiłki na rzecz opracowania godnej zaufania, zautomatyzowanej technologii wykrywania chorób, która poprawia wyniki leczenia pacjentów i ułatwia bardziej efektywne świadczenie opieki zdrowotnej.

Introduction

Choroba zwyrodnieniowa stawu kolanowego (KOA) jest poważnym ogólnoświatowym problemem zdrowia publicznego, który dotyka dużą liczbę osób i stanowi znaczne obciążenie zarówno dla pacjentów, jak i organizacji opieki zdrowotnej. Chrząstka stawowa stawu kolanowego ulega stopniowemu pogorszeniu w tym zaburzeniu. Ma skomplikowaną i wielowymiarową etiologię, która obejmuje mieszankę wieku, otyłości, urazów stawów, zmiennych biomechanicznych i podatności genetycznej¹.

Utrata integralności strukturalnej powoduje ścieńczenie chrząstki, pękanie i ostateczną erozję, odsłaniając leżącą pod spodem kość. Objawy KOA mogą być bardzo ....

Protocol

W tej części przedstawiono kompleksowe podejście mające na celu poprawę diagnostyki i oceny choroby zwyrodnieniowej stawu kolanowego poprzez zastosowanie zmodyfikowanego modelu XceptionNet. Przedstawiona metodologia opiera się na starannym wstępnym przetwarzaniu danych, dokładnym dostosowywaniu architektury modelu i solidnych technikach oceny, z których wszystkie mają na celu rozwiązanie złożonych problemów związanych z obrazowaniem choroby zwyrodnieniowej stawu kolanowego. Na rysunku 2 zilustrowano przebieg modelu.

Results

W trakcie fazy walidacji modelu podjęto kilka ważnych działań, aby zagwarantować, że zostanie on uogólniony na dane, które nie zostały jeszcze zaobserwowane. Początkowo zestaw danych jest podzielony na zestawy treningowe i walidacyjne. Jest to typowa procedura używana do oceny wydajności modelu na zestawie danych, który nie był używany podczas trenowania. Oferując oddzielne zestawy danych do trenowania i walidacji, separacja ta pozwoliła uniknąć nadmiernego dopasowania i umożliwiła dokładną ocenę skuteczności modelu.

.......

Discussion

W badaniu przedstawiono zautomatyzowaną technikę oceny KOA opartą na głębokim uczeniu się przy użyciu obrazów rentgenowskich. Model, w którym wykorzystano architekturę XceptionNet, wykazał się znaczną solidnością i dokładnością w zakresie różnych miar oceny, co sugeruje, że może znaleźć zastosowanie w warunkach klinicznych.

Oprócz obecnej metodologii, walidacja zewnętrznego zestawu danych może być wykorzystana do dalszego potwierdzenia hipotezy i oceny możliwości uogólnienia modelu w różnych w.......

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
Jupyter Notebook/Colab	Projekt Jupyter / Google	N/A	Do interaktywnego tworzenia i eksperymentowania z modelami.
Matplotlib (wersja: 3.4.3) & Seaborn (Wersja: 0.11.2)	Społeczność	N/A	Do wizualizacji danych i wykresów wyników.
Dane Mendeley/Kaggle	Elsevier; Społeczność	N/A	Źródło zestawu danych: Zestaw danych oceny nasilenia choroby zwyrodnieniowej stawu kolanowego
OpenCV (wersja: 4.5.5)	Intel	N/A	Do wstępnego przetwarzania obrazów rentgenowskich (zmiana rozmiaru, CLAHE, filtrowanie Gaussa).
Python (wersja: 3.8)	Fundacja oprogramowania Python	N/A	Język programowania używany do tworzenia modeli.
scikit-learn (Wersja: 1.0.2)	Społeczność	N/A	Służy do dzielenia danych, metryk wydajności i podstawowych narzędzi ML.
TensorFlow/Keras	Google/społeczność	N/A	Służy do implementowania i trenowania modelu uczenia głębokiego opartego na XceptionNet. Wersja Tensorflow: 2.6.0, RRID:SCR_018932. Wersja Keras: 2.6.0, RRID:SCR_018961
System operacyjny Ubuntu	Kanoniczny	N/A	System operacyjny używany w celu zapewnienia kompatybilności ze wszystkimi narzędziami programowymi. Zalecana wersja 20.04.