基于深度学习的X线摄影膝骨关节炎严重程度评估算法性能与放射科医师相当
图像与视频处理
2023-08-15 v1 计算机视觉与模式识别
摘要
一种完全自动化的深度学习算法在使用Kellgren-Lawrence分级系统评估X线摄影膝骨关节炎严重程度方面与放射科医师性能相当。为了开发一种基于深度学习的自动化算法，该算法联合使用膝关节X线摄影的后前位（PA）和侧位（LAT）视图，根据Kellgren-Lawrence分级系统评估膝骨关节炎严重程度。我们使用了来自多中心骨关节炎研究（MOST）的2802名患者的9739次检查的数据集。该数据集被划分为2040名患者的训练集、259名患者的验证集和503名患者的测试集。一种新颖的基于深度学习的方法分两步用于评估膝骨关节炎：(1)定位图像中的膝关节，(2)根据KL分级系统进行分类。我们的方法使用PA和LAT视图作为模型输入。将算法生成的评分与MOST数据集中针对整个测试集提供的等级以及本机构5名放射科医师针对测试集子集提供的等级进行比较。与MOST数据集中提供的评分相比，该模型在整个测试集上的多类准确率为71.90%。该集合的二次加权Kappa系数为0.9066。参与研究的本机构所有放射科医师两两之间的平均二次加权Kappa为0.748。算法与本机构放射科医师之间的平均二次加权Kappa为0.769。所提出的模型表现出与肌骨放射科医师相当的KL分类能力，但可重复性明显更优。我们的模型与本机构放射科医师的一致程度，与放射科医师彼此之间的一致程度相同。该算法可用于提供可重复的膝骨关节炎严重程度评估。
引用
@article{arxiv.2207.12521,
title = {Deep learning-based algorithm for assessment of knee osteoarthritis severity in radiographs matches performance of radiologists},
author = {Albert Swiecicki and Nianyi Li and Jonathan O'Donnell and Nicholas Said and Jichen Yang and Richard C. Mather and William A. Jiranek and Maciej A. Mazurowski},
journal= {arXiv preprint arXiv:2207.12521},
year = {2023}
}