Desenvolvimento e aplicação de rede neural convolucional para o diagnóstico de osteoartrite de joelho

Luís Felipe Sílio,Ricardo Pablo Passos, José Ricardo Lourenço Oliveira,Carlos Henrique Prevital Fileni, Adriano de Almeida Pereira, Victor Marques da Fonseca Neto, Marcelo Francisco Rodrigues, Bráulio Nascimento Lima,Guanis de Barros Vilela Junior

Centro de Pesquisas Avançadas em Qualidade de Vida(2023)

引用 0|浏览1
暂无评分
摘要
INTRODUÇÃO: a osteoartrite do joelho (OA) é uma doença articular degenerativa, que ocasiona desgaste e perda progressiva da cartilagem local. Os sintomas de OA incluem rigidez, mobilidade articular limitada e presença de dor que podem levar a uma diminuição na qualidade de vida e comprometimento da saúde. A interpretação/análise clínica de imagens suporta um trabalho cada vez maior nos centros ortopédicos e de radiologia. O presente estudo desenvolveu e aplicou o desempenho de uma rede neural convolucional projetada para auxiliar ortopedistas e radiologistas na detecção e classificação de osteoartrite do joelho de graus iniciais a severos, de acordo com o sistema de classificação Kellgren-Lawrence (KL). OBJETIVO: Desenvolver e validar uma CNN capaz de classificar e diagnosticar a OA no joelho de forma dinâmica e eficaz. Material e métodos: Utilizou-se uma pesquisa descritiva de caráter quali quantitativo e métodos da IA aplicados na análise do movimento humano. Foi utilizado um banco de dados com radiografias de OA de joelho (Grau 0 - 3.085 imagens, Grau 1 - 1.416 imagens, Grau 2 - 2.062 imagens, Grau 3 - 1.029 imagens e Grau 4 - 236 imagens). Para análise e classificação das imagens foi utilizado um ambiente de desenvolvimento da linguagem Python, por meio da aplicação Google Colab executada via browser. As imagens foram utilizadas para treinar um conjunto de arquiteturas de rede neural para a previsão do nível de gravidade, segundo a classificação de KL em OA. RESULTADOS: em seguida da configuração da CNN, iniciou-se o treinamento de máquina com as radiografias, em seguida realizados testes e por fim a integração, obtendo-se uma classificação expressa com as de taxas de sensibilidade de teste com a densidade de rede com joelho saudável, OA leve, moderado e grave. Após a classificação e análise das imagens na rede convolucional, foi gerado o comportamento do classificador sobre a precisão do algoritmo na exatidão do diagnóstico. O algoritmo apresentou acurácia de 0,85 (OA mínimo), 0,79 ( joelho saudável), 0,89 (OA moderado) e 0,98 (OA severo. Precisão de 0,67 (joelho saudável), 0,71 (OA mínimo), 0,86 (OA moderado) e 0,82 (OA severo). Sensibilidade de 0,65 (joelho saudável), 0,77 (OA mínimo), 0,79 (OA moderado) e 0,93 (OA severo). Especificidade de 0,86 (joelho saudável), 0,88 (OA mínimo), 0,94 (OA moderado) e 0,93 (OA severo). CONCLUSÃO: Nossos modelos de aprendizagem profunda propostos forneceram alta precisão e acurácia satisfatória para a detecção e classificação de osteoartrite leve ao severo do joelho em radiografias simples. Esses modelos podem ser usados como auxílio no diagnóstico clínico de radiografias de joelho e na orientação do tratamento em cada estágio da patologia para médicos, radiologistas e profissionais do movimento humano.
更多
查看译文
关键词
diagnóstico desenvolvimento osteoartrite desenvolvimento
AI 理解论文
溯源树
样例
生成溯源树,研究论文发展脉络
Chat Paper
正在生成论文摘要