Research Article

Modifiye XceptionNet Mimarisi Kullanılarak Diz Osteoartriti Derecelendirmesi için Transfer Öğrenmeye Dayalı Derin Öğrenme Yaklaşımı

DOI:

10.3791/68720

⸱

August 22nd, 2025

 , 
1Research Scholar, Department of Computer Science and Engineering, K S Institute of Technology, Visvesveraya Technological University, 2Professor & Head, Department of Artificial Intelligence and Machine Learning, K S Institute of Technology

In This Article

Summary

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

X-ışınlarından diz osteoartriti tanımlamasını geliştirmek için bu çalışma, transfer öğrenimi ile modifiye edilmiş XceptionNet kullanan bir derin öğrenme modeli olan OsteoXceptionNet'i önermektedir. Bu model özellik ayıklamayı geliştirir, el ile yorumlama hatalarını azaltır ve daha kesin, otomatik sınıflandırma sağlar.

Abstract

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Diz osteoartriti (KOA) dünya çapında milyonlarca kişiyi etkiler ve bilinen bir iyileştirici tedavisi yoktur, bu da onu ciddi bir küresel sağlık sorunu haline getirir. Gelişiminin yönetimi erken keşfe bağlıdır ve X-ışını görüntüleme temel bir tanı tekniğidir. Bununla birlikte, radyologların deneyim düzeylerindeki farklılıklar nedeniyle, manuel X-ışını yorumlaması değişkenliği ve olası yanlışlıkları artırır. Makine öğrenimi ve derin öğrenme tekniklerindeki son gelişmeler, dizdeki osteoartritin radyolojik olarak tanımlanması için otomatik sistemlerin oluşturulmasına yol açmıştır. Bununla birlikte, erken aşama tespiti için daha fazla tahmin doğruluğu elde etmek hala çok önemlidir. Daha büyük bir veri kümesinden toplanan içgörüleri kullanarak, daha küçük, alana özgü veri kümelerinde eğitilen modeller, aktarım öğreniminin kullanılmasıyla daha iyi performans gösterir. Derinliği ve etkinliği nedeniyle, XceptionNet özellikle tıbbi görüntülerin yorumlanmasını içeren işler için çok uygundur. Önceki araştırmaların aksine, bu yöntem, sınıf dengeleme yaklaşımlarını kullanarak, özelleştirilmiş bir ön işleme işlem hattını entegre ederek ve erken aşama KOA tanımlamasını iyileştiren XceptionNet'e özelleştirilmiş mimari iyileştirmeler ekleyerek veri kümesi dengesizliğini verimli bir şekilde ele alır. Bu son teknoloji yöntemlerin kullanılmasıyla, önerilen yaklaşım, dizin radyografik görüntülerinden osteoartriti doğru bir şekilde tanımlama, %97 tahmin doğruluğu, %97.8 hassasiyet, %97.6 hatırlama ve %97.6 F1 ölçümü elde etme potansiyeli göstermektedir. Ek olarak, oluşturulan model %95.94 Cohen'in kappa değerini gösterdi ve bu da iyi bir anlaşmaya işaret ediyor. Çalışma, hasta sonuçlarını iyileştiren ve daha verimli sağlık hizmeti sunumunu kolaylaştıran güvenilir, otomatik hastalık tespit teknolojisi geliştirmeye yönelik daha fazla çabayı desteklemektedir.

Introduction

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Diz osteoartriti (KOA), çok sayıda insanı etkileyen ve hem hastalar hem de sağlık kuruluşları üzerinde önemli bir yük oluşturan dünya çapında önemli bir halk sağlığı sorunudur. Diz ekleminin eklem kıkırdağı bu rahatsızlıkta giderek bozulur. Yaş, obezite, eklem travması, biyomekanik değişkenler ve genetik yatkınlığın bir karışımını içeren karmaşık ve çok boyutlu bir etiyolojiye sahiptir1.

Yapısal bütünlüğün kaybı, kıkırdak incelmesi, çatlama ve nihayetinde erozyon ile sonuçlanır ve alttaki kemiği açığa çıkarır. KOA'nın semptomları geniş bir yelpazede değişebilir ve zaman içinde çok az rahatsızlıktan dayanılmaz ağrıya ....

Access restricted. Please log in or start a trial to view this content.

Protocol

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Bu bölüm, modifiye edilmiş bir XceptionNet modeli kullanarak diz osteoartriti tanısını ve derecelendirmesini geliştirmek için tasarlanmış kapsamlı bir yaklaşım sunmaktadır. Sunulan metodoloji, tümü diz OA görüntülemeyle ilişkili karmaşık sorunları ele almayı amaçlayan dikkatli veri ön işlemeye, kapsamlı model mimarisi özelleştirmesine ve güçlü değerlendirme tekniklerine dayanmaktadır. Şekil 2'de modelin akışı gösterilmiştir.

figure-protocol-1
Şekil....

Access restricted. Please log in or start a trial to view this content.

Results

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Modelin doğrulama aşaması boyunca, henüz gözlemlenmemiş verilere genellenmesini garanti etmek için birkaç önemli önlem alındı. Başlangıçta, veri kümesi eğitim ve doğrulama kümelerine bölünür. Bu, eğitimde kullanılmayan bir veri kümesinde modelin performansını değerlendirmek için kullanılan yaygın bir yordamdır. Eğitim ve doğrulama için ayrı veri kümeleri sunarak, bu ayrım aşırı uyumu önledi ve model etkinliğinin kapsamlı bir şekilde değerlendirilmesine izin verdi.

Eğitimi daha da geliştirmek v.......

Access restricted. Please log in or start a trial to view this content.

Discussion

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Çalışma, X-ışını görüntülerini kullanarak KOA derecelendirmesi için otomatik derin öğrenme tabanlı bir teknik sundu. Bir XceptionNet mimarisi kullanan model, bir dizi değerlendirme önleminde kayda değer sağlamlık ve doğruluk gösterdi ve bu da klinik ortamlarda kullanım bulabileceğini düşündürdü.

Mevcut metodolojiye ek olarak, hipotezi daha da doğrulamak ve modelin çeşitli görüntüleme koşulları ve demografik veriler arasında genelleştirilebilirliğini değerlendi.......

Access restricted. Please log in or start a trial to view this content.

Disclosures

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Yazarlar, bu makalenin yayınlanması ile ilgili olarak herhangi bir çıkar çatışması olmadığını beyan ederler. Hiçbir finansal veya kişisel bağlantı, bu çalışmada sunulan araştırmayı, sonuçları veya sonuçları etkilememiştir.

Acknowledgements

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Bu araştırma, kamu, ticari veya kar amacı gütmeyen sektörlerdeki herhangi bir finansman kuruluşundan özel bir hibe almamıştır.

Yazar katkısı:
Kavramsallaştırma, SHK; metodolojisi, SHK; yazılım, SHK; doğrulama, SMB; veri iyileştirme, SHK; Kaynaklar, SHK; yazım-özgün taslak hazırlama, SHK; yazım-inceleme ve düzenleme, SHK; görselleştirme, KOBİ; denetim, KOBİ; proje yönetimi, KOBİ.

....

Access restricted. Please log in or start a trial to view this content.

Materials

List of materials used in this article
NameCompanyCatalog NumberComments
Jupyter Notebook/ColabJupyter Projesi / GoogleYOKModelleri etkileşimli olarak geliştirmek ve denemek için. 
Matplotlib (Sürüm: 3.4.3) & Seaborn (Sürüm: 0.11.2)ToplulukYOKVeri görselleştirme ve sonuç grafikleri için.
Mendeley/Kaggle VerileriElsevier; ToplulukYOKVeri Kümesi Kaynağı: Diz Osteoartriti Şiddet Derecelendirme Veri Kümesi
OpenCV (Sürüm: 4.5.5)IntelYOKX-ışını görüntülerini önceden işlemek için (yeniden boyutlandırma, CLAHE, Gaussian filtreleme). 
Python (Sürüm: 3.8)Python Yazılım VakfıYOKModel geliştirme için kullanılan programlama dili.
scikit-learn (Sürüm: 1.0.2)ToplulukYOKVeri bölme, performans metrikleri ve temel ML araçları için kullanılır. 
TensorFlow/KerasGoogle/ToplulukYOKXceptionNet tabanlı derin öğrenme modelini uygulamak ve eğitmek için kullanılır. Tensorflow Sürümü: 2.6.0, RRID:SCR_018932. Keras sürümü: 2.6.0, RRID:SCR_018961
Ubuntu İşletim SistemiKurallıYOKTüm yazılım araçlarıyla uyumluluk için kullanılan işletim sistemi. Sürüm 20.04 önerilir.

References

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. He, Y., et al. Pathogenesis of osteoarthritis: risk factors, regulatory pathways in chondrocytes, and experimental models. Biology. 9 (8), 194(2020).
  2. Kulkarni, P., Martson, A., Vidya, R., Chitnavis, S., Harsulkar, A. Pathophysiological landscape of osteo....

Access restricted. Please log in or start a trial to view this content.

Reprints and Permissions

Request permission to reuse the text or figures of this JoVE article

Request Permission

Tags

Knee OsteoarthritisOsteoarthritis GradingXceptionNet ArchitectureTransfer LearningDeep LearningX Ray ImagingMedical Image AnalysisClass BalancingAutomated Disease DetectionRadiographic Images

Related Articles