Jul, 2023

利用 Swin 转换器自动诊断膝骨关节炎严重程度

PDF
TL;DR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。
knee osteoarthritisswine transformerseverity predictionmulti-prediction head architecturedata drift reduction
发现论文，激发创造
  • 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

  • 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

  • 从全局语义到局部显著特征的转变：用于膝骨关节炎严重度评估的 Swin-Transformer

    通过使用 Swin Transformer 以及局部特征表示的改进方法，本研究在骨关节炎等医学影像诊断领域实现了显著的鲁棒性和精度提升。

    Mar, 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

  • 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

  • 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

  • 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

  • 自适应方差阈值：改进现有的深度迁移视觉模型并推进膝关节骨关节炎分类

    提出了一种新的方法来改进后训练的专门分类器，在应用于膝关节骨关节炎（KOA）模型时提高了初始准确性，并在 NAS 输入向量空间上实现了 60 倍的减少，从而加快了推理速度和超参数搜索的效率，同时将这种方法应用于外部的 KOA 分类模型，提高了其平均准确率，使其成为前三的 KOA 分类模型之一。

    Nov, 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