Sep, 2023

借助扩散增强图像提升膝关节骨关节炎严重程度分类

PDF
TL;DR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。
knee osteoarthritisseverity levelscomputer visiondata preprocessingdata augmentation
发现论文，激发创造
  • 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

  • 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

  • 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

  • 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

  • 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

  • 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

  • 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