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

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

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

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

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

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

通过异常检测的原则，提出了自动连续分级膝骨关节炎的三阶段方法，该方法建立在对健康膝关节X射线的稳健表示的基础上，根据其到正常中心的距离对疾病严重程度进行分级。该方法的性能优于现有技术，在OA检测方面的优势高达24％，并且疾病严重程度与Kellgren-Lawrence分级系统具有与人类专家相同的相关性。

Jul, 2024