基于数字重建X光片的髋关节骨关节炎自动分级及不确定性估计
图像与视频处理
2024-01-02 v1 计算机视觉与模式识别
摘要
髋关节骨关节炎的进展会导致疼痛和残疾，最终可能需要手术治疗，如终末期的髋关节置换术。髋关节骨关节炎的严重程度通常使用Crowe和Kellgren-Lawrence (KL)分级进行分类。然而，由于分类具有主观性，我们旨在开发一种自动化方法，基于CT图像的数字重建X光片，根据这两个分级对疾病严重程度进行分类。使用基于深度学习的模型对髋关节骨关节炎严重程度进行自动分级。模型被训练用于预测疾病等级，采用两种分级方案：分别预测Crowe和KL等级，以及预测一个结合两个等级并代表髋关节骨关节炎疾病进展的新有序标签。模型在分类和回归设置下进行训练。此外，估计了模型不确定性，并将其作为分类准确率的预测因子进行验证。模型在197名髋关节骨关节炎患者数据库上进行训练和验证，并在52名患者上进行外部验证。模型准确率使用精确类准确率、邻类准确率和平衡准确率进行评估。深度学习模型在分类和回归设置下产生了约0.65（ECA）和0.95（ONCA）的可比准确率。在分类误差较大的情况下，模型不确定性显著增大（P<6e-3）。本研究开发了一种从CT图像自动分级髋关节骨关节炎严重程度的方法。模型表现出可比的性能和高ONCA，有助于大规模CT数据库的自动分级，并表明进一步疾病进展分析的潜力。分类准确率与模型不确定性相关，从而可以预测分类误差。
引用
@article{arxiv.2401.00159,
title = {Automatic hip osteoarthritis grading with uncertainty estimation from computed tomography using digitally-reconstructed radiographs},
author = {Masachika Masuda and Mazen Soufi and Yoshito Otake and Keisuke Uemura and Sotaro Kono and Kazuma Takashima and Hidetoshi Hamada and Yi Gu and Masaki Takao and Seiji Okada and Nobuhiko Sugano and Yoshinobu Sato},
journal= {arXiv preprint arXiv:2401.00159},
year = {2024}
}