Aug, 2024

膝关节骨关节炎的时间演变：基于扩散的形态模型用于X光医学图像合成

HTML
PDF
TL;DR本研究针对膝关节骨关节炎（KOA）缺乏合成时间序列X光图像的方法这一问题，提出了一种新颖的深度学习模型，可在特定患者的健康膝关节与严重KOA阶段之间合成中间X光图像。通过改进去噪扩散概率模型，该模型能够生成不同严重程度的KOA X光图像，显著提高了时间帧合成性能，从而为分类模型提供了数据扩增，并有效模拟KOA的进展。
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

  • 使用ROI-Exchange策略的选择性随机位置嵌入Transformer用于早期检测膝骨关节炎

    本文提出了一种新的基于ViT模型的数据增强方法，采用Selective Shuffled Position Embedding和ROI-exchange策略，以提高深度神经网络在髌骨关节炎早期检测中的分类性能。实验结果表明，该方法可以显著提高模型的分类性能。

    Apr, 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

    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。

    May, 2023

  • 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

  • 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

  • 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

  • 关节骨分割用于骨关节炎评估的监督学习、少样本学习和零样本学习方法的比较分析

    利用骨骼形态学分析研究膝关节骨性关节炎疼痛条件的性质，对 6 种语义分割算法进行评估，发现髂骨形态在疼痛加重时会发生显著变化，疼痛缓解时骨形状改变不明显。基于 few-shot learning 的算法 UniverSeg 在髂骨和胫骨的分割中表现出优异的结果，而零样本学习的算法 CP-SAM 对膝关节骨性关节炎疼痛条件的分类准确率达到了 66%。鉴于这些发现，few-shot learning 在语义分割中的有效性以及零样本学习在膝关节骨性关节炎诊断模型的改进潜力得到了强调。

    Mar, 2024

  • 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

  • 基于强化学习的膝关节骨关节炎进展的主动感知

    本研究解决了膝关节骨关节炎进展预测中静态模型造成的性能不足问题。通过引入一种基于强化学习的主动感知方法，能够动态跟踪患者并优化信息采集的成本和效率。实验结果显示，该方法在提供经济效益方面优于现有基线，具有显著的临床应用潜力。

    Aug, 2024