使用深度卷积神经网络量化放射性膝关节骨关节炎病变程度

Sep, 2016

使用深度卷积神经网络量化放射性膝关节骨关节炎病变程度

Quantifying Radiographic Knee Osteoarthritis Severity using Deep Convolutional Neural Networks

Joseph Antony, Kevin McGuinness, Noel E O Connor, Kieran Moran

TL;DR本文利用深度卷积神经网络自动量化膝骨关节炎的严重程度。通过使用 ImageNet 对深度学习模型进行预训练，并在膝骨关节炎图像上进行微调，分类准确性可以显著提高。同时论文指出，使用均方误差等连续的距离指标来评估自动膝骨关节炎严重性预测的准确性更为恰当。结果表明，本文方法在 Osteoarthritis Initiative 提供的 X 射线图像和 KL 分级数据集上比当前技术水平有了显著的提高。

Abstract

This paper proposes a new approach to automatically quantify the severity of knee osteoarthritis (OA) from radiographs using deep convolutional neural networks (CNN). Clinically, knee OA severity is assessed usin

knee osteoarthritis convolutional neural networks radiographs kellgren & lawrence grades regression

发现论文，激发创造

卷积神经网络自动检测膝关节并量化膝骨关节炎严重程度

本文介绍了一种使用 X 光图像自动量化膝关节 OA 严重程度的新方法，该方法采用完全卷积神经网络自动检测膝关节并进行多类别分类和回归输出，以优化两个损失函数的加权比率，取得了优于现有方法的极有前景的结果。

Mar, 2017

使用深度卷积神经网络在普通 X 光片中自动评分膝骨关节炎特征

使用深度学习算法，基于全 OAI 数据集进行 ImageNet 传递学习和微调，完成了对膝关节 X 射线图像中 KL 和 OARSI 等级的自动预测和较好的预测。

Jul, 2019

基于深度学习的普通 X 光片自动诊断膝骨关节炎方法

本研究提出一种基于深度孪生卷积神经网络的新透明计算机辅助诊断方法，根据 Kellgren-Lawrence 分级标准自动评分膝骨关节炎病情，并报告了该方法验证的结果和关键的放射学特征。

Oct, 2017

给我一张膝盖 X 光片，我会告诉你膝关节区域在哪里：一个深度卷积神经网络的冒险

提出了一种准确、有效的管道，结合 You Only Look Once (YOLO v3) 深度卷积神经网络和具有全面注释的大型膝关节 X 射线图像数据集，实现自动检测、定位和分类 X 射线图像中的膝关节区域，为客观分析和快速分析异常 X 射线图像提供可能。

Feb, 2022

利用数字重建放射图从计算机断层扫描中自动评估髋骨病变分级与不确定性估计

通过利用深度学习模型，开发了一种从 CT 图像中自动评估髋关节骨关节炎（髋关节 OA）严重程度的方法，模型表现出较高准确度，促进了大规模 CT 数据库中的自动评级，并为进一步疾病发展分析提供了潜力。

Dec, 2023

借助扩散增强图像提升膝关节骨关节炎严重程度分类

本研究探讨了使用先进的计算机视觉模型和增强技术对膝关节骨关节炎（OA）的严重程度进行分类。研究中调查了数据预处理，包括对比度受限的自适应直方图均衡化（CLAHE），以及使用扩散模型进行数据增强的效果。实验分为三个部分：在原始数据集上训练模型，在预处理数据集上训练模型，以及在增强数据集上训练模型。结果显示，数据预处理和数据增强显著提高了模型的准确性。EfficientNetB3 模型在增强数据集上达到了 84％的最高准确率。此外，还应用了注意力可视化技术，如 Grad-CAM，提供了详细的注意力图，增强了对模型的理解和可信度。这些发现突显了将先进模型与增强数据和注意力可视化相结合的潜力，从而实现准确的膝 OA 严重程度分类。

Sep, 2023

基于多模态机器学习的膝骨关节炎进展预测 —— 来自 X 光片和临床数据

通过以患者影像数据、临床检查数据和既往病史为基础的多模态机器学习模型，可以预测膝关节骨关节炎（OA）的进展情况，并显著改善 OA 药物开发试验的受试者选择过程，帮助个性化治疗计划的开发。

Apr, 2019

一种新的自动定位膝关节区域的方法

本研究旨在开发一种新的计算方法，通过基于解剖学的联合区提案和方向梯度直方图的评估及其预先训练的支持向量机分类器的得分来自动定位关节区域，提高膝关节放射成像的客观性，结果表明该方法适用于大规模分析。

Jan, 2017

探索基础数据增强方法在基于深度学习的膝关节骨关节炎放射影像分类中的有效性

探索多种数据增强方法以及其对膝关节骨关节炎模型性能的影响，发现某些方法能提高性能，而其他常用方法表现不佳。通过敌对性增强方法确定了可能的干扰区域，并发现移除膝关节反而提高了 KL1 分类准确性，进一步强调了技术选择对模型性能的重要性和识别与处理放射影像中的潜在干扰区域的需求。

Nov, 2023

利用循环一致性生成对抗神经网络合成双向时间状态的膝关节骨关节炎 X 光影像

在这项研究中，我们训练了一个 CycleGAN 模型，能够将真实射线片转化为不同的骨关节炎阶段，通过欺骗一个卷积神经网络在转化后的图像中错误分类疾病阶段，证明了 CycleGAN 有效地在时间上向前或向后转化疾病特征。该模型在合成未来疾病状态方面特别有效，并且通过消除骨赘和扩大膝关节间隙，在回溯性地将晚期射线片转化为早期阶段方面表现出优异的能力，这是没有或可疑骨关节炎的特征。模型的结果显示了在诊断模型、数据增强、医疗教育和预后使用方面的潜在改进能力，但进一步改进、验证和广泛的评估过程，包括基于卷积神经网络的评估和专业医学反馈，对未来的研究和开发非常重要。

Nov, 2023