Jul, 2024

一种基于自监督异常检测和有限数据的连续膝关节骨关节炎严重程度分级的人工智能系统

HTML
PDF
TL;DR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。
发现论文，激发创造
  • 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

  • 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

  • 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

  • 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Swin转换器自动诊断膝骨关节炎严重程度

    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

  • 运用可解释人工智能解读膝骨关节炎诊断特征：一项系统综述

    该研究调查了用于膝关节骨关节炎诊断的可解释人工智能技术，旨在提供膝关节骨关节炎可靠诊断方法的更多见解并鼓励其在临床实践中的采用。

    Aug, 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

  • 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

  • 重新思考膝骨关节炎严重程度分级：一种少量样本自监督对比学习方法

    该研究提出了一种自动评估膝关节骨关节炎严重程度的系统(SS-FewSOME)，通过自我监督预训练学习健康膝关节X射线特征的稳健表示，并通过X射线与正常表示空间的距离评估骨关节炎严重程度，初步实验结果表明其具有潜力，获得了0.43的正向斯皮尔曼等级相关系数。

    Jun, 2024