РАЗРАБОТКА СВЕРТОЧНОЙ НЕЙРОННОЙ СЕТИ ДЛЯ ОЦЕНКИ ТЯЖЕСТИ ОСТЕОАРТРИТА КОЛЕННОГО СУСТАВА:

Али Сажи Маннаа; Г.В. Муратова

Али Сажи Маннаа Институт математики, механики и компьютерных наук им. И.И. Воровича
Г.В. Муратова Институт математики, механики и компьютерных наук им. И.И. Воровича

Ключевые слова: Разработка, сверточная нейронная сеть, оценка тяжесть остеоартрит, коленный сустав, машинное обучение, компьютерное зрение, медицинская диагностика, классификация изображений

Аннотация

Предлагается метод автоматизированной оценки степени тяжести остеоартрита коленно-
го сустава, основанный на применении современных методов машинного обучения, в частности,
глубокой нейронной сети. Остеоартрит является одним из наиболее распространённых дегенера-
тивных заболеваний суставов, и его своевременная диагностика является критически важной для
эффективного лечения. Традиционные методы визуальной оценки рентгенографических снимков коленного сустава имеют ряд ограничений, таких как субъективность и зависимость от опыта
врача. В связи с этим разработка методов автоматизированного анализа медицинских изображений
становится всё более актуальной. Остеоартрит коленного сустава – одно из самых распростра-
ненных и тяжелых дегенеративных заболеваний, ведущих к значительному снижению качества
жизни пациентов. Традиционные методы диагностики остеоартрита, такие как визуальная оценка
рентгенографических снимков, зависят от субъективного мнения специалиста и его опыта, что
может приводить к вариациям в точности диагностики и своевременности выявления патологии.
Поэтому разработка и внедрение методов автоматизированного анализа медицинских изображений
имеет высокую актуальность и потенциальную клиническую ценность. В ходе данного исследования
была разработана и обучена специализированная нейронная сеть на основе архитектуры ResNet-34,
которая доказала свою высокую эффективность в решении задач компьютерного зрения. Нейронная
сеть была модифицирована для включения двух параллельных ветвей, каждая из которых содержит
спиральную линейную структуру и четыре скрытых слоя, предназначенных для более точного выде-
ления области коленного сустава. Такая архитектура позволила не только идентифицировать об-
ласть интереса с высокой точностью, но и оптимизировать функцию потерь в зависимости от
специфики различных патологий, таких как разная степень поражения суставов, а также скоррек-
тировать влияние классового дисбаланса в данных, что часто становится проблемой при работе с
медицинскими изображениями. Для повышения качества результатов нейронная сеть была обучена
на двух независимых наборах данных, разделённых по половому признаку (мужчины и женщины).
Это позволило улучшить общее качество рентгенографических изображений и снизить влияние
шумов, которые могут возникать вследствие артефактов при радиальной визуализации. В процессе
подготовки данных также была применена техника ImagePixelSpacing, позволяющая уточнять раз-
решение изображений до размеров 256 × 256 пикселей, что способствовало лучшей обработке дета-
лей и структур коленного сустава. Обучение сети проводилось с использованием современных методов
оптимизации, что позволило достичь высокой точности классификации. Для оценки эффективности
предложенной модели использовался тест Каппа, который подтвердил достоверность определения
базовых линий. Средняя точность, достигнутая моделью, составила 9 ,76% на основе результатов
мультиклассового T-теста, что свидетельствует о её высоком потенциале для клинического примене-
ния. Более того, коэффициент AUC (площадь под кривой операционной характеристикой) составил
0,97, что значительно превышает показатели, достигнутые в предыдущих исследованиях в данной
области. Предложенная модель демонстрирует высокую точность и надежность в задаче автомати-
зированной оценки степени тяжести остеоартрита, что может стать значительным шагом вперед
в области диагностики и мониторинга этого заболевания. Кроме этого эти результаты демонстри-
руют потенциал модели как надежного инструмента для автоматизированной оценки степени ос-
теоартрита, способного не только улучшить точность диагностики, но и облегчить работу медицин-
ских специалистов. Дальнейшие исследования могут включать адаптацию модели для анализа других
суставов и интеграцию дополнительных функциональных возможностей, таких как прогнозирование
прогрессирования заболевания на основе последовательных снимков.

Литература

1. Wang Y., Wang X., Gao T., Du L. and Liu W. An automatic knee osteoarthritis diagnosis method based
on deep learning: data from the osteoarthritis initiative, Journal of Healthcare Engineering, 2021,
pp. 1-10. Available at: https://doi.org/10.1155/2021/5586529.
2. Tolpadi A.A., Lee J.J., Pedoia V. and Majumdar S. Deep learning predicts total knee replacement from
magnetic resonance images—scientific reports, 2020, 10 (1), pp. 6371. Available at:
https://doi.org/10.1038/s41598-020-63395-9.
3. Kokkotis C., Moustakidis S., Papageorgiou E., Giakas G. and Tsaopoulos D.E. Machine learning in
knee osteoarthritis: a review, Osteoarthritis and Cartilage Open, 2020, 2 (3), pp. 100069. Available at:
https://doi.org/10.1016/j.ocarto.2020.100069.
4. Guan B., Liu F., Mizaian A.H., Demehri S., Samsonov A., Guermazi A. and Kijowski R. Deep learning
approach to predict pain progression in knee osteoarthritis, Skeletal radiology, 2022, pp. 1-11.
5. Yeoh P.S.Q., Lai K.W., Goh S.L., Hasikin K., Hum Y.C., Tee Y.K. and Dhanalakshmi S. The emergence
of deep learning in knee osteoarthritis diagnosis, Computational intelligence and neuroscience,
2021, pp. 1-20. Available at: https://doi.org/10.1155/2021/4931437.
6. Kim D.H., Lee K.J., Choi D., Lee J.I., Choi H.G. and Lee Y.S. Can additional patient information improve
the diagnostic performance of deep learning for the interpretation of knee osteoarthritis severity, Journal of
Clinical Medicine, 2020, 9 (10), pp. 3341. Available at: https://doi.org/10.3390/jcm9103341.
7. Ahmed S.M. and Mstafa R.J. A comprehensive survey on bone segmentation techniques in knee osteoarthritis
research: from conventional methods to deep learning, Diagnostics, 2022, 12 (3), pp. 611.
Available at: https://doi.org/10.3390/diagnostics12030611
8. Kotti M., Duffell L.D., Faisal A.A. and McGregor A.H. Towards automatically assessing osteoarthritis
severity by regression trees & SVMs, 2013.
9. Kotti M., Duffell L.D., Faisal A.A. and McGregor A.H. Detecting knee osteoarthritis and its discriminating
parameters using random forests, Medical engineering &physics, 2017, 43, pp. 19-29.
Available at: https://doi.org/10.1016/j.medengphy.2017.02.004.
10. Köktaş N.Ş., Yalabik N., Yavuzer G. and Duin R.P. A multi-classifier for grading knee osteoarthritis
using gait analysis // Pattern Recognition Letters, 2010, 31 (9), pp. 898-904. Available at:
https://doi.org/10.1016/j.patrec.2010.01.003.
11. de Dieu Uwisengeyimana J. and Ibrikci T. Diagnosing knee osteoarthritis using artificial neural networks
and deep learning, Biomedical Statistics and Informatics, 2017, 2 (3), pp. 95.
12. Brahim A., Jennane R., Riad R., Janvier T., Khedher L., Toumi H. and Lespessailles E. A decision
support tool for early detection of knee OsteoArthritis using X-ray imaging and machine learning: data
from the osteoarthritis initiative, Computerized Medical Imaging and Graphics, 2019, 73, pp. 11-18.
Available at: https://doi.org/10.1016/j.compmedimag.2019.01.007.
13. Antony J., McGuinness K., Moran K. and O’Connor N.E. 2017. Automatic detection of knee joints and
quantification of knee osteoarthritis severity using convolutional neural networks, In Machine Learning
and Data Mining in Pattern Recognition: 13th International Conference, MLDM 2017, New York,
NY, USA, July 15-20, 2017, Proceedings 13. Springer International Publishing, 2017, pp. 376-390.
Available at: https://doi.org/10.1007/978-3-319-62416-7_27.
14. Pedoia V., Lee J., Norman B., Link T.M. and Majumdar S. Diagnosing osteoarthritis from T2 maps
using deep learning: an analysis of the entire Osteoarthritis Initiative baseline, 2019.
15. Pedoia V., Lee J., Norman B., Link T.M. and Majumdar S. Diagnosing osteoarthritis from T2 maps
using deep learning: an analysis of the entire Osteoarthritis Initiative baseline cohort, Osteoarthritis
and cartilage, 2019, 27 (7), pp. 1002-1010. Available at: https://doi.org/10.1016/j. joca.2019.02.800.
16. Chan S, Dittakan K. Osteoarthritis stages classification to human joint imagery using texture analysis:
A comparative study on ten texture descriptors, Recent Trends in Image Processing and Pattern
Recognition, 2019, pp. 209-225.
17. Antony J, McGuinness K, Moran K, O’Connor N. Automatic detection of knee joints and quantification
of knee osteoarthritis severity using convolutional neural networks, Machine Learning and Data
Mining in Pattern Recognition (MLDM), 2017, pp. 376-390.
18. Tiulpin A., Thevenot J., Rahtu E., Lehenkari P., Saarakkala S. Automatic knee osteoarthritis diagnosis
from plain radiographs: A deep learning-based approach, Sci Rep, 2018, 8, 1727.
19. Pingjun C., Linlin G., Xiaoshuang S., Kyle A., Lin Y. Fully automatic knee osteoarthritis severity grading
using deep neural networks with a novel ordinal loss, Comput Med Imaging Graph, 2019, 75, pp. 84-92.
20. Hu J., Shen L., Sun G. Squeeze-and-excitation networks, 2018 IEEE/CVF Conf on Computer Vision
and Pattern Recognition, 2018, pp. 7132-7141.
21. Tiulpin A., Saarakkala S. Automatic grading of individual knee osteoarthritis features in plain radiographs
using deep convolutional neural networks, Osteoarthr Cartil, 2020, 28 (1): S308. DOI:
10.1016/j.joca.2020.02.480.
22. Norman B., Pedoia V., Noworolski A. Applying densely connected convolutional neural networks for
staging osteoarthritis severity from plain radiographs, J Digit Imaging, 2019, 32, pp. 471-477.
23. Huang G., Liu Z., Weinberger KQ. Densely connected convolutional networks. IEEE Conf on Computer
Vision and Pattern Recognition (CVPR), 2017, 8, pp. 2261-2269.
24. He K., Zhang X., Ren S., Sun J. Deep residual learning for image recognition, IEEE Conf on Computer
Vision and Pattern Recognition (CVPR), 2016, pp. 770-778.
25. Kwon S.B., Han H., Lee M.C., Kim H.C. Machine learningbased automatic classification of knee osteoarthritis
severity using gait data and radiographic images. IEEE Access, 2020, 8, pp. 120597-120603