基于深度卷积神经网络的平片X线中单个膝关节骨关节炎特征的自动分级

膝关节骨关节炎（OA）是全球最常见的肌肉骨骼疾病。在初级医疗中，膝关节 OA 通过临床检查和放射学评估诊断。骨关节炎研究学会国际（OARSI）的 OA 放射学特征图谱可对膝关节骨赘、关节间隙变窄及其他膝关节特征进行独立评估。与金标准且最常用的 Kellgren-Lawrence（KL）综合评分相比，这提供了细粒度的膝关节 OA 严重程度评估。然而，OARSI 与 KL 分级系统均存在中等程度评分者间一致性不足的问题，因此使用计算机辅助方法有助于提升该过程的可靠性。本研究中，我们开发了一种鲁棒、自动的方法，用于同时预测膝关节 X 线中的 KL 与 OARSI 分级。我们的方法基于深度学习，并利用了具有 50 层、挤压-激励和 ResNeXt 块的深度残差网络集成。此处，我们使用来自 ImageNet 的迁移学习，并在整个骨关节炎倡议（OAI）数据集上微调。我们模型在整个人类多中心骨关节炎研究（MOST）数据集上进行了独立测试。我们的多任务方法对 KL 分级得到了 0.82 的 Cohen's kappa 系数，对股骨骨赘、胫骨骨赘以及外侧和内侧间室的关节间隙变窄分别得到 0.79、0.84、0.94、0.83、0.84、0.90。此外，我们的方法在检测放射学 OA 存在（KL $\geq 2$）时得到了 0.98 的 ROC 曲线下面积和 0.98 的平均精度，优于当前最先进水平。