基于机器学习的髌骨 X 射线纹理分析用于检测髌股骨关节炎
图像与视频处理
2021-06-07 v2 计算机视觉与模式识别
机器学习
摘要
旨在评估纹理特征从膝关节侧位 X 射线片检测影像学髌股骨关节炎（PFOA）的能力。我们使用来自 MOST 公共使用数据集的膝关节侧位 X 射线片（n = 5507 个膝关节）。使用标志点检测工具（BoneFinder）自动检测髌骨感兴趣区域（ROI）。随后提取基于局部二值模式（LBP）的手工特征以描述髌骨纹理。首先，训练机器学习模型（梯度提升机）从 LBP 特征检测影像学 PFOA。此外，我们在纹理块上直接使用端到端训练的深层卷积神经网络（CNN）检测 PFOA。最终将所提分类模型与使用临床评估和受试者特征（如年龄、性别、体重指数(BMI)、WOMAC 总分和胫股 Kellgren-Lawrence (KL) 分级）的更常规参考模型进行比较。MOST 公共使用数据集中专家读者提供的图谱引导 PFOA 状态视觉评估用作模型分类结果。预测模型性能在分层 5 折交叉验证设置中使用受试者工作特征曲线下面积（ROC AUC）、精确率-召回率曲线下面积（PR 曲线-平均精度(AP)）和 Brier 分数评估。在 5507 个膝关节中，953 个（17.3%）患有 PFOA。包含年龄、性别、BMI、WOMAC 评分和胫股 KL 分级的最强参考模型预测 PFOA 的 AUC 和 AP 分别为 0.817 和 0.487。使用 CNN 的纹理 ROI 分类显著改善了预测性能（ROC AUC= 0.889，AP= 0.714）。我们呈现了首个分析髌骨骨纹理诊断 PFOA 的研究。我们的结果证明了利用髌骨纹理特征预测 PFOA 的潜力。
引用
@article{arxiv.2106.01700,
title = {Machine Learning Based Texture Analysis of Patella from X-Rays for Detecting Patellofemoral Osteoarthritis},
author = {Neslihan Bayramoglu and Miika T. Nieminen and Simo Saarakkala},
journal= {arXiv preprint arXiv:2106.01700},
year = {2021}
}