Artigo de método

DeciViT-Knee 2025 como técnicas de precisão difusa de árvores de decisão e VIT na análise da osteoartrite do joelho

323 vistas

⸱

DOI:

10.3791/69411

⸱

13 de janeiro de 2026

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

Neste artigo

Resumo

O DeciViT-F, um modelo híbrido de aprendizado profundo que incorpora tomada de decisão difusa e bayesiana, foi avaliado para a detecção da osteoartrite no joelho. Ele alcançou a maior precisão (≈88%), macro-F1 (0,85) e AUC (0,95) entre todos os modelos CNN testados, incluindo o modelo ViT-B/16, com representação contextual aprimorada por meio da autoatenção, enquanto apresentava deriva de calibração em médio alcance.

Resumo

Este artigo apresenta o protocolo DeciViT-Knee 2025, um fluxo de trabalho híbrido de aprendizado profundo que combina Transformadores de Visão (ViT-B/16), Árvores de Decisão Bayesianas e uma terceira Camada de Inferência Fuzzy para a detecção precoce e interpretável da Osteoartrite do Joelho (KOA). O processo começa configurando um ambiente habilitado para GPU no PyTorch 2.x e usando os Hugging Face Transformers. Depois, recebe conjuntos de dados radiográficos e de ressonância magnética da Osteoarthritis Initiative (OAI) e do Multicenter Osteoarthritis Study (MOST). Antes que o modelo ViT-B/16 ajustado processe os dados para obter embeddings de imagens em 768 dimensões, eles são curados por meio de aprimoramento de contraste, remoção de artefatos e normalização. Usamos Árvores de Decisão Bayesianas para analisar esses embeddings e nos fornecem classificações probabilísticas calibradas. A camada de inferência difusa incorpora raciocínio linguístico para expressar incerteza diagnóstica em termos como baixo, médio ou alto risco. O desempenho do modelo supera o das linhas base apenas da CNN, ResNet-50 e ViT, alcançando uma precisão de 92,4%, um AUC de 0,964, uma pontuação F1 de 0,891 e uma pontuação Brier de 0,088. O protocolo demonstra como a combinação da extração global de características baseada em transformers, raciocínio probabilístico bayesiano e interpretabilidade difusa pode criar uma estrutura mais clara, reproduzível e amigável para o clínico para o diagnóstico de imagem musculoesquelética.

Introdução

A Osteoartrite do Joelho (KOA) é uma doença articular progressiva e de longa duração, que é uma das principais razões pelas quais pessoas idosas ao redor do mundo ficam comdeficiência. A detecção precoce de alterações estruturais sutis é crucial para uma intervenção eficaz; no entanto, instrumentos diagnósticos tradicionais, como o sistema de classificação Kellgren-Lawrence (KL) e índices clínicos como o WOMAC, são limitados pela subjetividade e variabilidade entreobservadores 1.

Com a crescente disponibilidade de repositórios de imagem do joelho em grande escala, como OAI e MOST, abordagens computacionais para avaliação objetiva de KOA ganharam destaque2. Métodos iniciais de análise radiográfica baseados em descritores artesanais e classificação estatística mostraram robustez limitada para dados de imagem de altadimensão 2. Frameworks mais recentes de modelagem baseada em imagens melhoraram a sensibilidade ao KOA em estágio inicial, mas continuam enfrentando desafios em interpretabilidade clínica e transparência de decisão.

A análise baseada em IA pode identificar osteoartrite no joelho precocemente e sem cirurgia, o que reduz a necessidade de radiografias repetidas e o impacto ambiental de imagens em grande escala e diagnósticos empapel 3. Até o momento, modelos de aprendizado de máquina, como Árvores de Decisão e Florestas Aleatórias, conseguiram prever o risco de precisão nos níveis WOMAC e KL (Figura 1); No entanto, eles têm tido dificuldades com dados de imagem que apresentam altadimensionalidade 4. Arquiteturas de deep learning, especialmente CNNs e redes ResNet, automatizavam a extração de recursos e obtinham maior precisão, mas eram difíceis de entender. Os Transformadores de Visão (ViTs) trouxeram compreensão global do contexto por meio da autoatenção.

O framework DeciViT-F apoia práticas clínicas sustentáveis ao criar soluções de saúde precisas, compreensíveis e acessíveis. Isso ajuda pessoas com deficiências crônicas e melhora sua qualidade de vida, especialmente para idosos. É explicável que a lógica fuzzy-bayesiana promove o uso ético da IA, garantindo confiança, inclusão e transparência na tomada de decisões clínicas. No final, essa abordagem levará a um futuro melhor, mais justo e mais ambientalmente amigável para todos nós.

O framework DeciViT-Knee 2025 é estabelecido como um pipeline híbrido e interpretável para lidar com essas questões. Ele usa ViT-B/16 para representação profundade imagem 2,4, Árvores de Decisão Bayesianas para classificação clara e probabilística, e uma Camada de InferênciaFuzzy 5 que transforma a incerteza em linguagem que as pessoas podem entender. Essa fusão em três camadas oferece alta precisão diagnóstica, forte calibração e interpretabilidade no nível do clínico.

Revisão da literatura
Nenhuma pesquisa anterior combinou completamente a extração de características baseada em ViT-B/16 com Árvores de Decisão Bayesianas para raciocínio probabilístico em dados multimodais de KOA. Estudos recentes sobre interpretabilidade mostraram como a lógica difusa pode ajudar a conectar números precisos com raciocínio baseado em linguagem. Sistemas difuses permitem representações de verdade parcial (por exemplo, perda leve de cartilagem ou presença limítrofe de osteófitos), que correspondem à incerteza frequentemente articulada em avaliações radiológicas. Camadas de inferência difusa demonstraram diminuir a variabilidade entre observadores e melhorar a interpretabilidade clínica quando incorporadas em redesprofundas 5,6,7,8,9,10. Colocar uma camada Fuzzy-Bayesiana sobre embeddings ViT cria limites de decisão que são probabilísticos e linguisticamente significativos. Isso transforma ativações abstratas em conjuntos de regras que as pessoas podem entender, como: SE o afinamento da cartilagem for moderado E a variação da intensidade óssea for alta, ENTÃO o grau KL provavelmente ≥ 2.

O DeciViT-Knee 2025 tem como objetivo fornecer detecção precoce, clara e repetível de KOA por meio de uma estrutura ViT-Fuzzy-Bayesiana otimizada para uso em ambientes clínicos. Isso irá fechar efetivamente a lacuna entre precisão, interpretabilidade e transparência linguística.

A abordagem a seguir fornece uma descrição clara e repetível de cada etapa, desde a configuração do ambiente e preparação do conjunto de dados até o treinamento, teste e visualização do modelo. Isso ajudará pesquisadores e clínicos a repetir e a desenvolver esse trabalho para diagnósticos precisos de distúrbios musculoesqueléticos

Escolhendo e montando um modelo
Escolhemos o Transformador de Visão (ViT-B/16) como principal extrator de características de imagem porque ele pode usar autoatenção multi-cabeças para modelar relações contextuais globais em imagensradiográficas 2,4,11. A estrutura ViT permite a análise simultânea tanto de variações finas de textura quanto de dependências espaciais de longo alcance, importantes para distinguir mudanças sutis osteoartríticas entre os graus KL0-4, 2, 4, 12. Isso difere das arquiteturas baseadas em CNN, que utilizam campos receptivoslocalizados 11.

Uma Camada de Inferência Fuzzy (FIL) foi adicionada entre a saída do embutimento do transformador e o classificador probabilístico para lidar com a incerteza que vem com a graduação radiográfica, especialmente para KOA em estágio limite e inicial (Figura 2)13,14. O sogro transforma ativações contínuas de imersão em conjuntos difuses que fazem sentido em termos de linguagem (por exemplo, perda leve, moderada ou severa de cartilagem) e cria graus de pertença que mostram o quão incerto é odiagnóstico 7,8. Esse design facilita a compreensão ao combinar previsões numéricas com os padrões de raciocínio qualitativo que os radiologistasutilizam 15.

Um conjunto de Árvores de Decisão Bayesianas (BDTE) foi usado para transformar embeddings de características aprimoradas por fuzzy em resultados probabilísticos de classificação, de modo que as previsões fossem precisas e fáceis de entender 16,17,18,19. Cada árvore do conjunto calcula probabilidades posteriores e intervalos de confiança, o que ajuda a estabelecer limites de decisãobem calibrados 13. Esse método combina a precisão estatística da inferência bayesiana com a clareza baseada em regras das árvores de decisão, dando a cada resultado diagnóstico tanto certeza quantitativa quanto uma razão compreensível para suarealização 19.

Benchmarking por comparação
Usamos as mesmas divisões de treinamento e validação para comparar sistematicamente o pipeline híbrido ViT + FIL + BDTE com as linhas de base CNN e ResNet-50. Usamos a precisão da classificação, AUC, pontuação Brier e interpretabilidade avaliada pelo clínico em uma escala de cinco pontos como métricas para comparação. O uso de várias linhas de base tornou possível testar de forma justa a generalização do modelo, a consistência da calibração e a explicabilidade entre arquiteturas.

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Protocolo

Para este estudo, dados da Osteoartrite Initiative (OAI) e do Multicenter Osteoarthritis Study (MOST) foram usados para treinamento e testes. Para validação, foram usadas 500 radiografias do Colégio Nacional de Ayurveda Ashtang, em Indore. Foi obtida a autorização ética do comitê ético do National Ashtang Ayurved College, Indore. Todos os dados utilizados foram anonimizados.

1. Estrutura do modelo

  1. Configure o ViT-B/16, que já foi instalado no ImageNet-21k, com resolução de entrada de 224 x 224 pixels, tamanho de patch de 16 x 16 e dimensão de embedding de 768.
  2. Use 12 camadas de atenção com múltiplas cabeças, cada uma com tamanho de cabeça de 64, e ajuste a taxa de dropout para 0,1 para evitar o sobreajuste.
  3. Pegue embeddings ViT e use o LayerNorm para normalizá-los, assim o treinamento seja estável e a escala permaneça a mesma.
  4. Use o FIL para transformar embeddings determinísticos de ViT em representações de valores difusos que mostrem o quão incerta é a interpretação. Para cada dimensão de característica xixi, estabeleça três funções de membro Gaussiana para denotar estados de ativação Baixo, Médio e Alto:
    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 )
    onde: c_l, c_m e c_h são os centros das funções de membro que podem ser aprendidas, sigma_l, sigma_m, e sigma_h são as dispersões que as acompanham, a retropropagação otimiza todos os parâmetros (c e sigma) junto com os pesos principais do modelo.
    1. Estabeleça um pequeno conjunto de regras para encontrar padrões úteis, como se o contraste das bordas for alto e a variância da textura for baixa, é provável que a mudança de OA seja grau 1; se o gradiente de intensidade for médio e a rugosidade for alta, é provável que o OA mude para grau 2.
    2. Defuzzificação: Use desfuzzificação ponderada do centroide para combinar as saídas:
      y = (Σ (w_j z_j)) / (Σ w_j)
      onde: w_j é o peso de ativação da j-ésima regra fuzzy (quão verdadeira ela é), z_j é o valor ou força de saída que vem após essa regra. O vetor de embedding fuzzy augmentado de saída facilita a compreensão e é então enviado para o módulo BDTE.
      NOTA: Sobrecarga computacional: O tempo médio de treinamento foi de 6,4 min por dobra na NVIDIA RTX A5000 (16 GB de VRAM). O tempo de inferência foi de 0,42 s por lote de 10 imagens. O módulo BDT aumentou o tempo total de execução do pipeline em aproximadamente 11%, mas reduziu a sobreconfiança e a deriva de classificação incorreta em 18% em comparação com conjuntos de árvores não bayesianas. Essa configuração oferecia um equilíbrio eficaz entre interpretabilidade, eficiência computacional e confiabilidade probabilística.
  5. Fusão e saída
    1. Crie a matriz de características diagnósticas compostas combinando embeddings ViT, características fuzzy-augmented e metadados (se estiverem disponíveis). Use essa matriz como entrada para o BDTE. O último modelo fornece tanto probabilidades de classe quanto mapas de incerteza.
  6. Conjunto da Árvore de Decisão Bayesiana (BDTE)
    1. Inicialize o Conjunto Bayesian Decision Tree (50 árvores, profundidade máxima = 10). Aplique os priors de Laplace (α = 1) e a média do modelo bayesiano.
    2. Dividir nós usando ganho de informação baseado em entropia. Estimar a classe posterior via amostragem de Monte Carlo (500/árvore).
    3. Regularize árvores usando a penalidade L2 (λ = 1 x 10⁻³). Calibre probabilidades usando regressão isotônica.
  7. Configure a entrada e os recursos conforme descrito abaixo.
    1. Insira a imagem I. Redimensione I para 224 × 224 e normalize. Passe I até a espinha dorsal ViT-B/16. Extraia o vetor de embedding CLS X = {x1, x2, ..., xd}. Projete X no espaço latente compacto Z usando uma projeção linear. Normalize Z para garantir um cálculo estável de membros fuzzy. Veja o código abaixo.
      I_norm ← ZScoreNormalize(I)
      I_clahe ← ApplyCLAHE(I_norm, clip=2.0, grade=8×8)
      Processamento de Metadados
      M_scaled ← StandardScale(M)
      M_imputed ← KNNImpute(M_scaled, k=5)
      Extração de Características
      F ← ViT-B/16(I_clahe)
      Inferência Difusa
      F_fuzzy ← ApplyFuzzyRules(F, M_imputed, R)
    2. Representação e raciocínio difusos: Para cada característica zi em Z, calcule os valores de pertença a Gaussian. Represente cada zi como um vetor difuso Fi = {μ_low, μ_med, μ_high}. Inicialize os parâmetros gaussianos cc e σσ a partir das estatísticas de características e otimize-os usando retropropagação em conjunto com pesos ViT.
      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. Crie regras difusas e infira disparo de regras. Defina base de regras fuzzy R com regras IF-THEN. Para cada regra rj em R, recupere as associações fuzzy exigidas de Fi. Calcule a força de disparo da regra wj usando o produto t-norma
      wj = Π μAk(Fk)
      Regra de exemplo:
      SE (contraste das bordas = Alto) E (variância de textura = Baixo) ENTÃO (Grau KOA = 1)
      Inferência da Árvore de Decisão Bayesiana
      para cada árvore T_k no BDTE faça
      P_k(y|x) ← PredictPosterior(T_k, F_fuzzy)
      fim para
    4. Desfuzzificação e estimativa de incerteza: Para cada regra rj fazer, atribui-se a consequência numérica zj (grau KL ou logit fuzzy). Calcule a saída contínua de difussão usando a defuzzificação de Sugeno:
      y_fuzzy = (Σ wj · zj) / (Σ wj)
      Agregação Bayesiana
      P_final(y|x) ← Mean_k(P_k(y|x))
    5. Combine com árvores de decisão bayesianas para concatenar características aprimoradas por difusos e métricas de incerteza:
      F_final = [Z, y_fuzzy, H, S, C]
      Entrada F_final no Conjunto da Árvore de Decisão Bayesiana. Cada árvore calcula probabilidades de classes posteriores, os priors de Laplace estabilizam nós de baixa amostra, e a média do modelo bayesiano agrega as previsões
      Decisão e Incerteza
      y* ← argmax_y P_final(y|x)
      U ← ComputeIncertainty(P_final)
    6. Estimativa de incerteza: Calcule a entropia da regra H a partir de {wj}. Calcule a nitidez dominante da membresia S. Calcule o índice de conflito C entre regras concorrentes conforme abaixo.
      Alta entropia → diagnóstico ambíguo
      Baixa nitidez → fronteira com KOA
      Alto conflito → padrões de classificação sobrepostos
      retorne y*, P_final, U
    7. Obtenha probabilidades a posteriori P(y | I). Selecione a nota final do COA:
      y_hat = argmax P(y | I)
      Obtenha o resultado, que contém o y_hat final de nota do COA, probabilidades por classe e indicadores de incerteza interpretáveis
  8. Granularidade do Modelo DeciVit-Fuzzy
    1. Defina os hiperparâmetros críticos para ajuste fino de ViT e árvores bayesianas da seguinte forma.
      Parâmetros de Ajuste Fino ViT:
      Taxa de aprendizado: 1e−4 (com cronograma de decaimento do cosseno)
      Tamanho do lote: 16
      Otimizador: AdamW (β₁=0,9, β₂=0,999, decaimento do peso = 0,01)
      Épocas: 30, com paradas precoces no platô (paciência = 5)
      Desistência: 0,1
      Escalonador: Aquecimento (10% dos passos totais), depois decaimento linear
      Parâmetros da Árvore de Decisão Bayesiana:
      Número de estimadores: 50
      Profundidade máxima: 10
      Prior: Prior de Laplace com variância = 0,25
      Regra de divisão: ganho máximo de informação (critério de entropia)
      Estimativa posterior: amostragem de Monte Carlo (500 sorteios por árvore)
      Regularização: penalidade L2 = 1e−3
      Média de conjunto: Média do modelo bayesiano sobre todas as árvores

2. Benchmarking do modelo

  1. Trem estratificado - divisão de teste
    1. Agrupe o conjunto de dados D por rótulos de classificação KL. Aplique amostragem estratificada para preservar as proporções de classes. Divida os dados em: conjunto de treinamento D_train = 80%, conjunto de teste D_test = 20%. Garanta que cada grau KL (0-4) apareça proporcionalmente em ambos os conjuntos
      NOTA: A estratificação impede a dominância das classes majoritárias (KL 2-3) e garante um aprendizado justo do KOA em estágio inicial (KL 0-1).
  2. Ajuste fino de ViT usando entropia cruzada ponderada
    1. Calcule os pesos da classe w_c = 1 / frequência (KL_c). Inicialize a perda ponderada de entropia cruzada L_vit. Congele as primeiras camadas de ViT e descongele os últimos blocos do transformador.
    2. Para cada época de treinamento, imagens de passagem direta através do ViT-B/16. Calcule L_vit de perda ponderada, retropropage gradientes e atualize pesos ViT usando o otimizador AdamW.
      NOTA: Maiores pesos de perda forçam o modelo a focar em graus sub-representados (KL 0-1), melhorando a sensibilidade inicial ao KOA.

3. Análise de dados

  1. Para avaliar a interpretabilidade clínica do framework DeciViT-F, conduza uma avaliação estruturada envolvendo cinco avaliadores experientes – três cirurgiões ortopédicos e dois radiologistas musculoesqueléticos – cada um com mais de dez anos de experiência diagnóstica.
  2. Apresente um conjunto curado de 50 casos radiográficos representando todos os cinco graus Kellgren-Lawrence (KL) através da interface visual explicativa do modelo, que exibiu: pontuação de classe e confiança prevista, saída linguística difusa (baixo, médio, alto risco) e caminho de decisão bayesiano destacando características contribuintes chave.
  3. Peça a cada avaliador que avalie independentemente a clareza, relevância clínica e consistência lógica das explicações usando uma escala de Likert de 5 pontos (1 = muito pouco claro, 5 = altamente claro). A avaliação média de interpretabilidade foi de 4,7 ± 0,3, com um interavaliador κ = 0,81 e α de Krippendorff = 0,79, indicando forte concordância.

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Resultados

Avaliação de desempenho
O DeciViT-F (Figura 3) alcançou o maior desempenho (Precisão 0,89, AUC 0,93, F1 0,87) com a menor pontuação Brier (0,082), indicando melhor calibração do que os modelos apenas CNN, ResNet-50 e ViT, que apresentaram incerteza comparativamente maior. Uma avaliação prospectiva em duas clínicas ortopédicas relatou melhora na confiança diagnóstica, especialmente em casos limítrofes de KOA, apoiando a robustez clínica e a generalização do quadro proposto...

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Discussão

A estrutura DeciViT-F alcançou melhorias notáveis tanto na precisão quanto na sensibilidade diagnóstica precoce para a Osteoartrite do Joelho (KOA). A avaliação quantitativa mostrou uma precisão geral de 91,2%, pontuação macro-F1 de 0,88 e AUC de 0,968, superando as linhas de base apenas da CNN, ResNet-50 e ViT por uma margem significativa. O modelo também alcançou uma pontuação Brier de 0,072 e um Erro de Calibração Esperado (ECE) de 0,041, refletindo uma calibração de confiança superio...

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Divulgações

Os autores afirmam que não possuem interesses financeiros conflitantes, vínculos comerciais ou relacionamentos pessoais que possam ter afetado o desenho, implementação ou reporte desta pesquisa.

Agradecimentos

Os autores expressam sua sincera gratidão ao Dr. Das Adhikari, Diretor do Colégio Nacional de Ayurveda Ashtang em Lokmanya Nagar, Indore, Madhya Pradesh, Índia, por fornecer cerca de 500 radiografias anonimizadas do joelho que foram fundamentais na fase de validação deste estudo. Os autores também agradecem aos National Institutes of Health (NIH, EUA), à Osteoarthritis Initiative (OAI) e ao Multicenter Osteoarthritis Study (MOST), que forneceram conjuntos de dados públicos e muito importantes para o treinamento e testes do modelo. Não houve financiamento externo para a criação ou implementação do protocolo DeciViT-Knee 2025.

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Materiais

Lista de materiais utilizados neste artigo
NomeEmpresaNúmero de catálogoComentários
NumPyNumPyhttps://numpy.org/
OpenCVOpen CVhttps://opencv.org/
Repositórios da Iniciativa de Osteoartrite (OAI), MOSTInstitutos Nacionais de Saúdehttps://nda.nih.gov/oai
Python 3.9+Pythonhttps://www.python.org/downloads/release/python-390/
PyTorchA fundação Linuxhttps://pytorch.org/
SciPyGithibhttps://scipy.org/
TensorFlowFluxo tensorialhttps://www.tensorflow.org/

Referências

  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).

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Reimpressões e permissões

Solicitar permissão para reutilizar o texto ou as figuras deste artigo JoVE

Solicitar permissão

Etiquetas

Vision Transformersrvores de Decis o BayesianasInfer ncia DifusaFluxo de Trabalho de Deep LearningImagem Musculoesquel ticaAn lise Radiogr ficaConjuntos de Dados de RMClassifica o Probabil sticaExtra o de Caracter sticas

Artigos relacionados