Automatic Detection of Knee Osteoarthritis Disease with the Developed CNN, NCA and SVM Based Hybrid Model
Notice bibliographique
Résumé
Knee osteoarthritis (Knee-OA) is one of the most common musculoskeletal diseases caused by loss of cartilage and bone changes in the joint.Prediction of early Knee-OA based on early bone tissue analysis is challenging in medical image analysis.If the disease is detected in the later stages, it may cause serious problems, such as the need for knee replacement.Therefore, the detection of Knee-OA disease is essential.With the developing technology, computer-aided systems have been frequently used in the biomedical field in recent years.A deep learning-based hybrid model for the early diagnosis and treatment of Knee-OA disease was developed in this study.In the developed hybrid model, three different CNN architectures were used as the base, and feature extraction was made with these architectures.The features obtained in three different architectures are combined to bring together different features of the same image.After merging, the neighboring component analysis (NCA) size reduction method was used to remove unnecessary features.Since unnecessary features are eliminated from the feature map optimized with NCA, the proposed hybrid model will work faster and produce more successful results.Finally, the feature map optimized with NCA was classified with six different classifiers.The proposed model was also compared to eight different CNN architectures.In comparison to CNN architectures, the proposed hybrid model achieved the highest accuracy performance.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».