Deep learning to combat knee osteoarthritis and severity assessment by using CNN-based classification
Notice bibliographique
Résumé
BACKGROUND: In today's digital age, various diseases drastically reduce people's quality of life. Arthritis is one amongst the most common and debilitating maladies. Osteoarthritis affects several joints, including the hands, knees, spine, and hips. This study focuses on the medical disorder underlying Knee Osteoarthritis (KOA) which severely impairs people's quality of life. KOA is characterised by restricted mobility, stiffness, and terrible pain and can be caused by a range of factors such as ageing, obesity, and traumas. This degenerative disorder leads to progressive wear and tear of the knee joint. METHODS: To combat arthritis in the kneecap, this study employs a 12-layer Convolutional Neural Network (CNN) to reach deep learning capabilities. A collection of data from the Osteoarthritis Initiative (OAI) is used to classify KOA. Through the use of medical image processing; the study ascertains whether an individual has this ailment. A sophisticated CNN architecture created especially for binary classification and KOA severity utilising deep learning algorithms is the main component of this work. RESULTS: The cross-entropy loss function is an important component of the model's laborious design that classifies data into two groups. The remaining section uses the Kellgren-Lawrence (KL) grade to classify the disease's severity. In the binary classification, the proposed algorithm outperforms previous methods with an accuracy rate of 92.3%, and in the multiclassification, its accuracy rate is 78.4% which is superior to the previous findings. CONCLUSION: Looking ahead, the research broadens the scope of this work by gathering information from various sources and using these methods on a wider range of datasets and situations. The potential for major advancements in the field of osteoarthritis detection and classification is highlighted by this forward-looking approach. Furthermore, this method reduces the intervention of medical practitioners and ultimately results in accurate diagnosis. CLINICAL TRIAL NUMBER: Not applicable.
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 ».