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。
Sep, 2016
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
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
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
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
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
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
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
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
提出一种使用 Swin Transformer 对膝关节骨关节炎 (KOA) 进行严重程度预测的自动化方法,使用公开的放射性数据集和 Kellgren 以及 Lawrence 分级来提前检测和评估疾病的严重程度,并通过多预测头架构的多层感知机分类器、降低数据漂移的训练方法,提高模型的准确性和泛化能力。实验证明该方法能够准确预测 KOA 的严重程度。
Jul, 2023