Apr, 2019

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

PDF
TL;DR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。
knee osteoarthritisoa progressionmachine learningradiographic datadrug development
发现论文，激发创造
  • 多模态 Transformers 全流程预测膝骨关节炎进展

    本研究通过使用深度学习的 Transformer 方法开发了一个多模态膝关节成像数据融合的统一框架，研究了该方法在 Knee Osteoarthritis 进展预测中的表现，并发现 MRI 可以与多模态融合方法媲美，对于短期至长期不同进展范围，ROC 曲线下面积为 0.70-0.76，平均精确度在 0.15-0.54 之间。

    Jul, 2023

  • 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

  • 改进膝骨关节炎进展预测的风险模型

    通过引入疾病特异性先验知识，我们开发了一种有效利用连续成像研究改进骨关节炎（OA）结果预测模型的新方法，该方法通过引入 OA 严重性约束来提高 OA 结果预测。

    Jun, 2024

  • 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

  • 基于侧面膝关节 X 射线片、人口统计数据和症状评估的深度学习预测髌股关节骨关节炎进展

    本研究提出了一种基于深度学习和注意力机制的框架，利用七年的影像数据预测髌股关节骨关节炎的放射性进展，包括 1832 名患者（3276 个膝部），使用自动化工具（BoneFinder）骨龄确定方法识别 PF 关节区域，并使用 5 倍交叉验证的端到端 DL 模型，结合临床变量，论证了 ML 模型在 PFOA 预测中的潜力和未来应用前景。

    May, 2023

  • 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

  • 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

  • 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

    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

  • 运用视觉语言模型评估骨关节炎疾病严重程度

    通过视觉语言处理模型，此研究利用 X 光图像和相关报告预测骨关节炎的严重程度，并展示了在医学背景中特定视觉语言模型的潜在进展和学习文本图像表示及其上下文关系的有效性。

    Jan, 2024

  • 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