转换精度：Vision Transformers、CNNs 与传统机器学习在膝骨关节炎严重程度诊断中的比较分析
图像与视频处理
2024-10-29 v1 人工智能
计算机视觉与模式识别
摘要
膝骨关节炎 (KO) 是一种可导致严重疼痛和功能障碍的退行性关节疾病。随着患病率的增加，通过医学影像分析进行精确诊断对于适当的疾病管理至关重要。本研究对传统机器学习技术和新型深度学习模型在从 X 光片诊断 KO 严重程度方面进行了比较分析。本研究并未引入新的架构创新，而是阐明了现有 ViT 模型在医学影像背景下的稳健适用性和比较有效性，特别是针对 KO 严重程度诊断。从这项比较分析中获得的见解提倡将先进的 ViT 模型整合到临床诊断工作流程中，从而有可能彻底改变 KO 评估的精度和可靠性。本研究并未引入新的架构创新，而是阐明了现有 ViT 模型在医学影像背景下的稳健适用性和比较有效性，特别是针对 KO 严重程度诊断。从这项比较分析中获得的见解提倡将先进的 ViT 模型整合到临床诊断工作流程中，从而有可能彻底改变 KO 评估的精度和可靠性。该研究利用了来自骨关节炎倡议 (OAI) 的骨关节炎数据集，其中包含具有 5 个严重程度类别且类别分布不均的图像。虽然像 GaussianNB 和 KNN 这样的经典机器学习模型在特征提取方面存在困难，但诸如 Inception-V3、VGG-19 等卷积神经网络通过学习层次化的视觉模式实现了 55-65% 之间的更好准确率。然而，像 Da-ViT、GCViT 和 MaxViT 这样的 Vision Transformer 架构成为了无可争议的优胜者，得益于自注意力机制，它们展示了 66.14% 的准确率、0.703 的精确率、0.614 的召回率以及超过 0.835 的 AUC。
引用
@article{arxiv.2410.20062,
title = {Transforming Precision: A Comparative Analysis of Vision Transformers, CNNs, and Traditional ML for Knee Osteoarthritis Severity Diagnosis},
author = {Tasnim Sakib Apon and Md. Fahim-Ul-Islam and Nafiz Imtiaz Rafin and Joya Akter and Md. Golam Rabiul Alam},
journal= {arXiv preprint arXiv:2410.20062},
year = {2024}
}