用于膝骨关节炎早期检测的置信度驱动深度学习框架
图像与视频处理
2025-01-17 v2 计算机视觉与模式识别
摘要
膝骨关节炎（KOA）是一种普遍的肌肉骨骼疾病，严重影响 mobility 与生活质量，尤其在老年人中。其诊断常依赖使用 Kellgren-Lawrence（KL）分级系统的主观评估，导致临床评价中的变异性。为应对这些挑战，我们提出一种用于早期 KOA 检测的置信度驱动深度学习框架，聚焦于区分 KL-0 与 KL-2 阶段。该基于 Siamese 的框架将一种新颖的多级特征提取架构与混合损失策略相整合。具体而言，采用多级全局平均池化（GAP）层从不同的网络深度提取特征，确保全面的特征表示，而混合损失策略将训练样本划分为高、中、低置信度子集。应用定制的损失函数以提升模型鲁棒性并有效处理标注中的不确定性。在骨关节炎倡议（OAI）数据集上的实验结果表明，所提框架取得了具有竞争力的准确率、灵敏度与特异度，可与专家放射科医师相媲美。Cohen's kappa 值（k > 0.85）证实了实质性一致，而 McNemar 检验（p > 0.05）表明模型与放射科医师间无统计显著差异。此外，置信度分布分析揭示模型模仿了放射科医师的决策模式。这些发现凸显了所提方法作为辅助诊断工具、加强早期 KOA 检测并减轻临床工作量的潜力。
引用
@article{arxiv.2303.13203,
title = {Confidence-Driven Deep Learning Framework for Early Detection of Knee Osteoarthritis},
author = {Zhe Wang and Aladine Chetouani and Yung Hsin Chen and Yuhua Ru and Fang Chen and Mohamed Jarraya and Fabian Bauer and Liping Zhang and Didier Hans and Rachid Jennane},
journal= {arXiv preprint arXiv:2303.13203},
year = {2025}
}