纯粹数学与应用数学

2022, v.38(03) 309-321

[打印本页] [关闭]
本期目录(Current Issue) | 过刊浏览(Past Issue) | 高级检索(Advanced Search)

基于深度集成网络模型的膝关节退行性病变分级诊断方法
The automatic graded diagnosis method of knee osteoarthritis based on deep ensemble network model

宋江玲;郑田田;张瑞;

摘要(Abstract):

膝关节退行性病变(knee osteoarthritis, KOA)是一种由关节软骨纤维化等引发的进展性膝关节疾病.病情发展大致可分为轻度与重度两个阶段,若能对其进行有效追踪,则可根据严重程度及时采取相应的防控措施,这对于提高患者生存质量有着重要临床意义.本文将这一过程称之为KOA分级诊断.相比传统的KOA诊断方法 (CT, MRI等),骨振信号(Vibroarthrographic signal, VAG)有着无创无害,成本低廉,可便捷使用等优点,是近年来临床中正在探索的一种全新的KOA检查手段.然而,目前关于VAG信号的理论研究尚不充分,临床可提供的指导信息十分有限.基于此,本文以VAG信号为主要数据源,同时融入患者的生理信息,开展关于KOA分级诊断的辅助诊断方法研究.首先,在卷积神经网络框架下,构建了用于分析VAG信号的网络模块VAG-CNN-Block;其次,在前馈神经网络框架下,构建了用于分析生理信息的网络模块PI-FNN-Block;进而,结合VAG-CNN-Block和PI-FNN-Block,采用注意力机制设计了一种深度集成网络模型MBE-Net,并据此提出了KOA的分级诊断方法,用以实现正常受试者,轻度,重度KOA患者的自动识别.最后,采用西安市某两所医院的临床数据对所提方法进行验证.数值实验表明所提方法的准确率,灵敏度,特异度分别可达87.5%, 87.2%与93.6%.

关键词(KeyWords): 膝关节退行性病变;分级诊断;骨振信号;深度集成网络模型

Abstract:

Keywords:

基金项目(Foundation): 国家自然科学基金(12071369,62006189);; 陕西省自然科学基金(2021JQ-430);; 陕西省重点研发计划(2019ZDLSF02-09-02,2017ZDXM-Y-095);; 陕西省创新才推进划(2018TD-016)

作者(Authors): 宋江玲;郑田田;张瑞;

参考文献(References):

扩展功能
本文信息
服务与反馈
本文关键词相关文章
本文作者相关文章
中国知网
分享