Entwicklung eines Deep-Learning-Systems zur Klassifizierung von Knieerkrankungen anhand von Röntgenbildern: Ergebnisse und Methodenanalyse

Entwicklung eines Klassifikationssystems für Knie-X-Ray-Bilder: Ein neuer Ansatz zur Erkennung von Osteoporose

Die zunehmende Prävalenz von Knochenerkrankungen, insbesondere Osteoporose, erfordert innovative Ansätze zur frühzeitigen Diagnose und Behandlung. In diesem Blogbeitrag stellen wir ein neuartiges System vor, das in der Lage ist, Knie-X-Ray-Bilder automatisch zu klassifizieren und zwischen normalem Zustand, Osteopenie und Osteoporose zu unterscheiden.

Hintergrund der Studie

Das Hauptziel dieser Studie besteht darin, ein tiefes neuronales Netzwerk zu entwickeln, das X-Ray-Bilder des Knies in drei Klassen kategorisieren kann. Die Zuverlässigkeit des vorgeschlagenen Modells wurde durch umfangreiche Tests und Metriken überprüft. Die Algorithmen wurden mit MATLAB 2022a (64-Bit) entwickelt und auf einem leistungsstarken Computer mit 16 GB RAM, einer GPU und einem Intel Core i7-8550U @ 1,80 GHz unter Windows 10 durchgeführt. Eine detaillierte Übersicht über die verwendeten Hyperparameter finden Sie in Tabelle 1.

Datensätze und Methodik

Für die Validierung des Modells wurden zwei verschiedene Datensätze verwendet. Der erste Datensatz, der aus 240 X-Ray-Bildern besteht, wurde zwischen dem 21. und 31. Dezember 2019 im Unani und Panchkarma Hospital in Indien gesammelt. Diese Bilder sind in drei Klassen unterteilt: 80 normale Bilder, 129 Osteopenie und 30 Osteoporose-Bilder.

Der zweite Datensatz wurde von Kaggle Datasets abgerufen und umfasst 371 X-Ray-Bilder, die ebenfalls in normale, Osteopenie und Osteoporose unterteilt sind. Die Bilder dieser beiden Datensätze wurden von spezialisierten Orthopäden annotiert und validiert.

Trainingsstrategie

Um die Leistung des Modells zu evaluieren, wurden die Bilder im Verhältnis von 70:10:20 in Trainings-, Validierungs- und Testdatensätze aufgeteilt. Die Leistung wurde mithilfe von Metriken wie Genauigkeit, Sensitivität, Spezifität und Präzision bewertet, die im Detail in den Gleichungen (1) bis (5) beschrieben sind.

Ergebnisse und Diskussion

Die initialen Tests wurden mit den originalen Datensätzen durchgeführt, gefolgt von einer Datenaugmentation, die die Bildanzahl erheblich erhöhte und somit die Trainingsgenauigkeit verbesserte. Die Ergebnisse zeigen, dass das vorgeschlagene Superfluity DL-Modell überlegene Klassifikationsresultate im Vergleich zu klassischen Modellen wie AlexNet und ResNet50 erzielt hat.

Nach der Datenaugmentation stieg die Anzahl der Bilder im ersten Datensatz auf 400 (normal), 696 (Osteopenie) und 150 (Osteoporose) sowie im zweiten Datensatz auf 551, 557 und 219. Die Verwirrungsmatrizen und ROC-Kurven (Abbildung 17 und 18) belegen die effektive Leistungsfähigkeit unseres Modells.

Vergleich mit dem Stand der Technik

Im Vergleich zu bestehenden Ansätzen zeigt unser Modell, dass es in der Lage ist, die Klassifikation von normalen, Osteopenie- und Osteoporose-Zuständen zu optimieren. Frühere Studien, wie die von Wani und Arora, berichteten über eine maximale Genauigkeit von 78,95 % mit AlexNet. Unser Modell übertrifft diese Ergebnisse deutlich und erzielt eine Genauigkeit von über 82 %.

Tabelle 6 bietet eine umfassende Übersicht über die Vergleichsergebnisse mit anderen bestehenden Modellen.

Fazit und Ausblick

Es handelt sich hierbei um die erste Studie, die Deep Learning-Methoden zur Klassifizierung von Knieerkrankungen auf Basis von X-Ray-Bildern einsetzt. Unsere Ergebnisse zeigen, dass diese Technologien vielversprechend sind, um die automatisierte Diagnosestellung in der Orthopädie voranzutreiben.

Künftige Arbeiten sollten sich auf die Vergrößerung und Diversifizierung der Datensätze konzentrieren, um die Generalisierbarkeit und das Vertrauen in die Ergebnisse zu erhöhen. Auch die Integration von multimodalen Daten könnte neue Perspektiven für präzisere Diagnosen eröffnen.

Wir sind überzeugt, dass innovative Ansätze wie dieser entscheidend sein werden, um die Wahrnehmung und das Management von Knochenerkrankungen in der Zukunft zu verbessern. Bleiben Sie dran für weitere aufregende Entwicklungen in diesem spannenden Forschungsfeld!