Найти

Результаты поиска

• РАЗРАБОТКА СВЕРТОЧНОЙ НЕЙРОННОЙ СЕТИ ДЛЯ ОЦЕНКИ ТЯЖЕСТИ ОСТЕОАРТРИТА КОЛЕННОГО СУСТАВА

  Маннаа Али Сажи, Г. В. Муратова

  2025-01-14

  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.