用于髋关节骨关节炎严重程度分级的微调CNN堆叠集成
计算机视觉与模式识别
2025-12-01 v1 人工智能
机器学习
摘要
髋关节骨关节炎（KOA）是一种肌肉骨骼疾病，可能导致日常活动出现显著的限制和障碍，尤其是在老年人群中。为了评估KOA的严重程度，通常会分析受影响髋关节的X光图像，并根据Kellgren-Lawrence（KL）分级系统对其进行分级，该分级系统将KOA的严重程度分为0至4共5个等级。这种方法需要高水平的专业知识和时间，并且容易受主观解释的影响，从而引入潜在的诊断不准确性。为解决此问题，开发了一个针对两个分类任务的微调卷积神经网络（CNN）堆叠集成模型：一个用于检测KOA是否存在的二分类器，以及一个用于在KL整个谱系上进行精确分级的多分类器。该提出的堆叠集成模型包括一组多样化的预训练体系结构，包括MobileNetV2、You Only Look Once（YOLOv8）和DenseNet201作为基学习者，以及Categorical Boosting（CatBoost）作为元学习者。该提出的模型在多分类中实现了73%的平衡测试准确率，在二分类中实现了87.5%的准确率，这高于现有文献中以往工作的表现。
引用
@article{arxiv.2511.22143,
title = {Stacked Ensemble of Fine-Tuned CNNs for Knee Osteoarthritis Severity Grading},
author = {Adarsh Gupta and Japleen Kaur and Tanvi Doshi and Teena Sharma and Nishchal K. Verma and Shantaram Vasikarla},
journal= {arXiv preprint arXiv:2511.22143},
year = {2025}
}
备注
Accepted and Presented at IEEE UEMCON, IBM T.J. Watson Research Center, New York, USA, 2024