An Automated System for Osteoarthritis Severity Scoring Using Residual Neural Networks
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Osteoarthritis (OA) is a chronic disease, characterized by progressive deterioration of cartilage tissue and consequent thinning of the cartilage layer within joints.This degradation leads to an increased likelihood of bone collision during movement, typically manifesting in patients as joint pain, knee swelling, stiffness, and difficulties in executing daily activities.The diagnosis of OA often involves the analysis of physical examination results, patient anamnesis, and additional supportive examinations, which are predominantly conducted manually.Addressing these challenges, this study harnesses Convolutional Neural Network (CNN) algorithms, specifically the Residual Neural Network and Mobile Neural Network architectures, to develop an automated system for classifying OA severity.Utilizing a knee image dataset comprised of 8260 records procured from NDA OAI, the model is trained and tested with a data split of 80% and 20% respectively.The Residual Neural Network (ResNet-101) architecture is employed for model training, utilizing Adam optimization with a learning rate set at 0.0001 over 50 epochs.The resulting model yields a training accuracy of 67.65%, and a validation accuracy of 57.06%.This study demonstrates the potential of CNN methods for automated, accurate classification of OA severity using knee imagery, thus offering a promising avenue for enhancing diagnostic efficiency and precision.
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.
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 | 0,001 | 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 | 0,001 | 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 découle