May, 2023

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

PDF
TL;DR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。
发现论文，激发创造
  • 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

  • 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

  • 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

  • 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

  • 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

  • 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

  • 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

  • 深度学习基于放射性的骶髂关节炎检测中结构意识的整合以提升泛化性能和进展预测

    通过深度学习模型中融入解剖学认知可以提高模型的泛化能力并实现疾病进展的预测能力。

    May, 2024