利用深度学习从膝关节侧位X线片中自动检测髌股骨关节炎：来自多中心骨关节炎研究（MOST）的数据
计算机视觉与模式识别
2021-01-13 v1 人工智能
图像与视频处理
医学物理
摘要
目的：评估基于影像的深度学习从膝关节侧位X线片中预测影像学髌股骨关节炎（PFOA）的能力。设计：从多中心骨关节炎研究（MOST）（n = 18,436个膝关节）中提取膝关节侧位X线片。首先自动检测髌骨感兴趣区域（ROI），随后训练并验证端到端深度卷积神经网络（CNNs）以检测髌股OA状态。髌骨ROI使用基于深度学习的对象检测方法检测。MOST数据集中提供的人工PFOA状态评估用作CNNs的分类结局。预测模型的性能在分层5折交叉验证设置下使用受试者工作特征曲线下面积（ROC AUC）和由精确率-召回率（PR）曲线获得的平均精度（AP）进行评估。结果：在18,436个膝关节中，3,425个（19%）患有PFOA。包含年龄、性别、体重指数（BMI）、西安大略和麦克马斯特大学关节炎指数（WOMAC）总分及胫股Kellgren-Lawrence（KL）分级的参考模型预测PFOA的AUC和AP分别为0.806和0.478。仅使用影像数据的CNN模型显著改善了PFOA状态的预测（ROC AUC= 0.958，AP= 0.862）。结论：我们提出首个基于机器学习的自动PFOA检测方法。此外，我们基于膝关节侧位X线片髌骨区域训练的深度学习模型在预测PFOA上优于基于患者特征与临床评估的模型。
引用
@article{arxiv.2101.04350,
title = {Automated Detection of Patellofemoral Osteoarthritis from Knee Lateral View Radiographs Using Deep Learning: Data from the Multicenter Osteoarthritis Study (MOST)},
author = {Neslihan Bayramoglu and Miika T. Nieminen and Simo Saarakkala},
journal= {arXiv preprint arXiv:2101.04350},
year = {2021}
}
备注
24 pages, preprint, Submitted to Osteoarthritis and Cartilage