一种用于骨质疏松检测的新型宽切片克罗内克前向分数网络,基于膝关节X光图像

《Knowledge-Based Systems》:A Novel Wide Slice Kronecker Forward Fractional Network for Osteoporosis Detection using Knee X-ray image

【字体: 大 中 小 】 时间:2026年03月21日 来源:Knowledge-Based Systems 7.6

编辑推荐:

  膝关节X光图像骨质疏松症检测方法采用WKFF-Net模型融合NLM滤波、Otsu分割和模板搜索,结合DKN、WISeR与分数阶微积分,实验显示90.87%准确率及92.88%真阳性率。

  
Pughazendi Narayanan | Jeevan Nagendra Kumar Yalla | Rohith Bhat Chandrasekhar | Praghash Kumaresan
科学与计算机研究学院,CMR大学,班加罗尔,卡纳塔克邦562149,印度

摘要

骨质疏松症是一种无症状且进行性的骨骼疾病,会显著增加50至60岁人群的骨折风险。早期和准确的检测至关重要,但由于骨骼结构的细微变化在常规医学影像中难以识别,因此这一过程具有挑战性。膝关节X光片是常用的诊断工具,但由于骨骼几何形状和骨小梁模式的不同,解读这些影像以检测骨质疏松症仍然很复杂。为了解决这些问题,开发了新型的宽切片克罗内克前向分数网络(WKFF-Net)来高效检测骨质疏松症。首先,从数据库中获取输入图像进行检测。在此过程中,使用非局部均值(NLM)滤波器进行去噪处理,并采用Otsu阈值法进行图像分割。接下来,利用模板搜索方法分析股骨的几何结构。然后提取空间自适应局部二值模式(aLBP)、卷积神经网络(CNN)等特征,通过结合深度克罗内克网络(DKN)、宽切片残差网络(WISeR)和分数阶微积分的混合模型来完成骨质疏松症的检测。实验结果显示,在90%的训练样本中,WKFF-Net的准确率为90.868%,真正例率为92.876%,真正例率为87.766%,精确率为89.888%,F1分数为91.357%。

引言

骨质疏松症会降低骨密度并改变骨骼的微观结构,从而削弱骨骼强度,增加骨折风险。在骨质疏松症中,骨矿物质密度(BMD)下降,骨骼微观结构受损,这会导致骨蛋白浓度和成分的变化[1]。骨质疏松症引起的骨折会严重影响生活质量并增加医疗费用,突显了及时医疗干预的重要性[2]。全球约有2亿人患有骨质疏松症,这一状况在未来几年内将使骨折率增加50%。骨质疏松症的症状通常在骨折发生前不会出现,因此它被认为是一种无症状且进行性的骨骼疾病。骨骼畸形、骨关节炎和骨折是最严重的并发症之一,骨质疏松症可影响骨骼的任何部分[3]。一种特定类型的骨质疏松症称为膝部骨质疏松症,主要影响膝关节,影响数百万人[4]。骨质疏松症管理的主要目标是预防骨折。骨质疏松性骨折的主要临床风险因素包括年龄、性别、种族、遗传因素、既往骨折史、营养不良、饮酒、吸烟、维生素D缺乏、缺乏运动、某些药物以及潜在的医疗状况[5]。在骨质疏松症早期诊断时进行治疗最为有效,可以降低骨折风险[6,7]。
随着年龄的增长,人们的骨骼会变得脆弱且不稳定,从而增加骨折的风险。这些骨折与较高的发病率和死亡率相关,并给社会带来沉重的经济负担[8,9]。及早识别风险因素并及时进行专业护理可以改善治疗效果和预后。提高诊断质量至关重要,因为它可以通过减少专业护理的等待时间和优化整体治疗过程来促进医疗系统的公平性[10]。因此,需要持续的研究来开发最有效的早期骨质疏松症检测方法[11]。成像技术的最新进展促使研究人员利用计算机算法分析医学影像,从而开发出计算机辅助诊断(CAD)系统[12,13]。标准的骨质减少和骨质疏松症检测方法速度较慢,限制了其在运动员训练中的应用。X光成像在医学中已经广泛应用,为这一目的提供了有效手段[14]。
X光医学成像是诊断多种疾病的重要工具。尽管医学成像技术取得了显著进步,但解读和分析过程仍可能导致错误用药,从而危及患者生命并降低治疗效果[15]。为了解决这一问题,已经开发了用于医学影像(如X光)的CAD系统,为医生提供了更多诊断机会[8]。最近,深度学习(DL)技术中的深度卷积神经网络(DCNN)在计算机视觉领域受到了广泛关注[16]。完全自动化的DL工具的实施可以提高骨质疏松症筛查的效率[17,18]。DL是一种基于人工神经网络(ANN)的机器学习(ML)方法,涉及多层互联网络[19]。卷积神经网络(CNN)利用迁移学习(TL)来确保检测准确性,包括Visual Geometry Group-19(VGG-19)、VGG-16、AlexNet、ResNet-50、ExceptionNet等模型,以及专为膝关节骨质疏松症检测设计的CNN[9]。通过DL模型自动化检测过程,医疗专业人员可以将更多时间用于治疗计划和患者护理,减少医学检查所需的时间[3]。研究人员开发了自动提取特征的DL方法,这些方法在骨质疏松症检测方面取得了显著进展[14]。

问题陈述与动机

医学影像的自动化分析面临多个关键挑战,这些挑战限制了检测系统的准确性和可靠性。主要困难在于复杂的解剖结构和组织形态的变异性,使得使用传统方法提取有意义的特征变得困难。图像质量问题(如噪声、低对比度和不同的采集条件)进一步增加了解读的复杂性。专家的手动评估通常需要

贡献

宽切片克罗内克前向分数网络(WKFF-Net)旨在检测骨质疏松症。首先从数据集中获取膝关节图像,然后使用非局部均值(NLM)滤波器进行去噪处理,以去除不必要的变化,同时保留重要的结构细节,从而提高分割质量和特征提取的可靠性。通过Otsu阈值法对股骨边界进行分割,以隔离感兴趣的区域并减少
本文的其余部分结构如下:第2节回顾了传统骨质疏松症检测方法的优缺点。第3节详细介绍了WKFF-Net的骨质疏松症识别方法。第4节报告了WKFF-Net的性能结果,第5节总结了研究内容,并指出了未来研究的可能方向。

文献综述

本节介绍了不同的骨质疏松症检测技术。
在[9]中,Sarhan等人设计了基于CNN架构的TL用于膝关节骨质疏松症诊断。TL与CNN的结合降低了计算成本,提高了鲁棒性,并有效处理了大量图像。然而,当将模型适配到膝关节骨质疏松症诊断这一特定任务时,TL与CNN的结合非常复杂。在[12]中,Wani等人

提出的基于膝关节X光图像的宽切片克罗内克前向分数网络用于骨质疏松症检测

本研究利用WKFF-Net框架通过膝关节X光分析来检测骨质疏松症。首先从数据集中收集膝关节X光图像[25],然后使用NLM滤波器[26]进行预处理,去除原始输入图像中的噪声。接下来,通过Otsu阈值法[27]对股骨边界进行分割,以便更好地分析。然后通过模板搜索方法测量股骨的几何结构
结果与讨论
以下展示了WKFF-Net使用膝关节X光图像检测骨质疏松症的结果。

结论

本研究的主要目标是开发一种准确可靠的自动化方法,利用膝关节X光图像检测骨质疏松症。因此,开发了一种新的WKFF-Net方法用于骨质疏松症检测。首先从数据集中获取膝关节X光图像,然后使用NLM滤波器进行预处理,接着使用Otsu阈值法对股骨边界进行分割。此外,还使用模板搜索算法测量股骨的几何结构,并进行必要的
代码获取
文章的源代码可在以下链接获取:https://github.com/Pughazendi09/WKFF-Net.git
术语表
缩写定义
WKFF-Net宽切片克罗内克前向分数网络
NLM非局部均值
aLBP自适应局部二值模式
CNN卷积神经网络
WISeR宽切片残差网络
DKN深度克罗内克网络
TPR真正例率
TNR真正例率
BMD骨矿物质密度
CAD计算机辅助诊断
DL深度学习
DCNN深度卷积神经网络
ML机器学习
ANN

CRediT作者贡献声明

Pughazendi Narayanan:撰写原始草案。Jeevan Nagendra Kumar Yalla:负责可视化。Rohith Bhat Chandrasekhar:负责可视化。Praghash Kumaresan:负责可视化。
利益冲突声明
作者声明他们没有已知的财务利益或个人关系可能影响本文的研究结果。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号