KneeXNeT：基于集成方法的膝关节X线评估
图像与视频处理
2024-12-11 v1 计算机视觉与模式识别
摘要
膝骨关节炎（OA）是最常见的关节疾病，也是导致残疾的主要原因之一。诊断OA严重程度通常需要专家对X线图像进行评估，并普遍基于Kellgren-Lawrence分级系统，这是一个耗时的过程。本研究旨在开发一种自动深度学习模型来对膝骨关节炎严重程度进行分类，从而减少对专家评估的依赖。首先，我们评估了十种最先进的深度学习模型，单独模型的最高准确率为0.69。为了解决类别不平衡问题，我们采用了加权采样，准确率提升至0.70。我们进一步应用Smooth-GradCAM++来可视化决策影响区域，增强了最佳性能模型的可解释性。最后，我们使用多数投票和浅层神经网络开发了集成模型。我们的集成模型KneeXNet达到了最高的准确率0.72，展示了其作为膝骨关节炎自动评估工具的潜力。
引用
@article{arxiv.2412.07526,
title = {KneeXNeT: An Ensemble-Based Approach for Knee Radiographic Evaluation},
author = {Nicharee Srikijkasemwat and Soumya Snigdha Kundu and Fuping Wu and Bartlomiej W. Papiez},
journal= {arXiv preprint arXiv:2412.07526},
year = {2024}
}
备注
10 pages, 5 figures, accepted by MICAD 2024