基于深度学习的膝关节炎严重程度测量：一种公开算法及多机构验证显示其达到放射科医生水平
图像与视频处理
2022-07-22 v2 计算机视觉与模式识别
机器学习
摘要
膝关节 X 光片上膝骨关节炎（KOA）严重程度的评估是全膝关节置换术使用的核心标准。然而，该评估受限于不精确的标准以及极高的阅片者间差异。算法化、自动化的 KOA 严重程度评估可通过提高使用适宜性来改善膝关节置换手术的总体效果。我们提出了一种新颖的基于深度学习的五步算法，用于从 X 光片的后前位（PA）视图自动分级 KOA：（1）图像预处理；（2）使用 YOLO v3-Tiny 模型定位图像中的膝关节；（3）使用基于卷积神经网络的分类器初步评估骨关节炎严重程度；（4）关节分割与关节间隙变窄（JSN）计算；（5）结合 JSN 与初步评估以确定最终的 Kellgren-Lawrence（KL）评分。此外，通过显示用于评估的分割掩码，我们的算法相比典型的“黑箱”深度学习分类器展现出更高的透明度。我们使用两个公共数据集和来自本机构的一个数据集进行了全面评估，结果表明我们的算法达到了最先进的性能。此外，我们还收集了本机构多位放射科医生的评分，并表明我们的算法表现达到放射科医生水平。该软件已公开于 https://github.com/MaciejMazurowski/osteoarthritis-classification。
引用
@article{arxiv.2203.08914,
title = {Knee arthritis severity measurement using deep learning: a publicly available algorithm with a multi-institutional validation showing radiologist-level performance},
author = {Hanxue Gu and Keyu Li and Roy J. Colglazier and Jichen Yang and Michael Lebhar and Jonathan O'Donnell and William A. Jiranek and Richard C. Mather and Rob J. French and Nicholas Said and Jikai Zhang and Christine Park and Maciej A. Mazurowski},
journal= {arXiv preprint arXiv:2203.08914},
year = {2022}
}