Для просмотра этого контента требуется подписка на JoVE. Войдите или начните свой бесплатный пробный период.
Исследовательская статья
Для того, чтобы улучшить идентификацию остеоартрита коленного сустава по рентгеновским лучам, в этом исследовании предлагается OsteoXceptionNet, модель глубокого обучения, которая использует модифицированный XceptionNet с трансферным обучением. Эта модель улучшает извлечение признаков, снижает количество ошибок ручной интерпретации и обеспечивает более точную автоматическую классификацию.
Остеоартрит коленного сустава (КОА) поражает миллионы людей во всем мире и не имеет известного лечения, что делает его серьезной проблемой глобального здравоохранения. Управление его развитием зависит от раннего обнаружения, и рентгеновская визуализация является фундаментальным методом диагностики. Однако из-за различий в уровне опыта радиологов ручная интерпретация рентгеновских снимков увеличивает вариабельность и возможные неточности. Последние достижения в области машинного обучения и методов глубокого обучения привели к созданию автоматизированных систем для радиологической идентификации остеоартрита коленного сустава. Тем не менее, для обнаружения на ранних стадиях получение большей точности прогнозирования по-прежнему имеет решающее значение. Используя аналитические сведения, собранные из большего набора данных, модели, обученные на меньших наборах данных, специфичных для предметной области, работают лучше за счет использования трансферного обучения. Благодаря своей глубине и эффективности, XceptionNet особенно хорошо подходит для задач, связанных с интерпретацией медицинских изображений. В отличие от предыдущих исследований, этот метод эффективно устраняет дисбаланс наборов данных за счет использования подходов к балансировке классов, интеграции настраиваемого конвейера предварительной обработки и добавления настраиваемых архитектурных улучшений в XceptionNet, что улучшает идентификацию KOA на ранних стадиях. С использованием этих современных методов предлагаемый подход демонстрирует потенциал в правильной идентификации остеоартрита по рентгенографическим изображениям коленного сустава, достигая 97% точности прогнозирования, 97,8% точности, 97,6% запоминания и 97,6% измерения F1. Кроме того, сгенерированная модель показала 95,94% каппа-значения Коэна, что указывает на хорошее согласие. Исследование поддерживает дальнейшие усилия по разработке надежной автоматизированной технологии выявления заболеваний, которая улучшает результаты лечения пациентов и способствует более эффективному оказанию медицинской помощи.
Остеоартрит коленного сустава (КОА) является серьезной проблемой общественного здравоохранения во всем мире, которая затрагивает большое количество людей и ложится значительным бременем как на пациентов, так и на медицинские организации. При этом заболевании суставной хрящ коленного сустава постепенно разрушается. Он имеет сложную и многомерную этиологию, которая включает в себя сочетание возраста, ожирения, травмы суставов, биомеханических переменных и генетической предрасположенности.
Потеря структурной целостности приводит к истончению хряща, трещинам и возможной эрозии, обнажая подлежащую кость. Симптомы КОА могу....
Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.
В этом разделе представлен комплексный подход, разработанный для улучшения диагностики и классификации остеоартрита коленного сустава с использованием модифицированной модели XceptionNet. Представленная методология основана на тщательной предварительной обработке данных, тщательной настройке архитектуры модели и надежных методах оценки, которые предназначены для решения сложных проблем, связанных с визуализацией остеоартрита коленного сустава. На рисунке 2 проиллюстрирован ход модели.
Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.
На этапе валидации модели был принят ряд важных мер, чтобы гарантировать ее обобщение на данные, которые еще не наблюдались. Изначально набор данных делится на обучающий и проверочный наборы. Это распространенная процедура, используемая для оценки производительности модели на наборе данных, который не использовался при обучении. Предлагая отдельные наборы данных для обучения и проверки, такое разделение позволило избежать переобучения и провести тщательную оценку эффективности модели.
Подходы .......
Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.
В исследовании была представлена автоматизированная методика оценки KOA на основе глубокого обучения с использованием рентгеновских изображений. Модель, в которой использовалась архитектура XceptionNet, продемонстрировала заметную надежность и точность по целому ряду оценочных показателей, что позволяет предположить, что она может найти применение в клинических условиях.
В дополнение к текущей методологии, для дальнейшего подтверждения гипотезы и оценки обобща.......
Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.
Авторы заявляют, что у них нет конфликта интересов в связи с публикацией данной рукописи. Никакая финансовая или личная принадлежность не повлияла на исследования, результаты или выводы, представленные в этой работе.
Это исследование не получало специального гранта от какого-либо финансирующего агентства в государственном, коммерческом или некоммерческом секторах.
Вклад автора:
Концептуализация, СХК; методология, СХК; программное обеспечение, ШК; валидация, SMB; курирование данных, SHK; Ресурсы, СХК; написание оригинального проекта, СХК; написание-рецензирование и редактирование, ШК; визуализация, SMB; надзор, МСБ; управление проектами, МСБ.
Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.
| Имя | Компания | Каталожный номер | Комментарии |
|---|---|---|---|
| Jupyter Notebook/Colab | Проект Jupyter / Google | Н/Д | Для разработки и экспериментирования с моделями в интерактивном режиме. |
| Matplotlib (Версия: 3.4.3) & Seaborn (Версия: 0.11.2) | Сообщество | Н/Д | Для визуализации данных и построения графиков результатов. |
| Данные Mendeley/Kaggle | Elsevier; Сообщество | Н/Д | Источник набора данных: Набор данных для оценки тяжести остеоартрита коленного сустава |
| OpenCV (Версия: 4.5.5) | Информация | Н/Д | Для предварительной обработки рентгеновских изображений (изменение размера, CLAHE, фильтрация по Гауссу). |
| Python (Версия: 3.8) | Python Software Foundation | Н/Д | Язык программирования, используемый для разработки моделей. |
| scikit-learn (Версия: 1.0.2) | Сообщество | Н/Д | Используется для разделения данных, метрик производительности и основных утилит машинного обучения. |
| TensorFlow/Keras | Google/Сообщество | Н/Д | Используется для реализации и обучения модели глубокого обучения на основе XceptionNet. Версия Tensorflow: 2.6.0, RRID:SCR_018932. Версия Keras: 2.6.0, RRID:SCR_018961 |
| ОС Ubuntu | Канонический | Н/Д | Используемая операционная система для совместимости со всеми программными средствами. Рекомендуется версия 20.04. |
Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.