DOI: 10.12307/2026.533
基于深度学习改进的膝骨关节炎自动诊断方法
方颖1
张延伟2
利晞3
颜培栋4
毕苗1
1.广州中医药大学第三临床医学院,广东省 广州市 5104032.广州中医药大学第三附属医院影像科,广东省 广州市 5103783.广州医科大学附属第二医院放射科,广东省 广州市 5102604.暨南大学附属珠海临床医学院,广东省珠海市 519099
摘要：背景:膝骨关节炎是一种常见的退行性疾病,不仅严重影响患者的生活质量,同时增加社会医疗负担.早期准确诊断膝骨关节炎对于患者的治疗和预后至关重要,传统的诊断方法不仅主观且耗时,还不能保证稳定的高准确率.
目的:开发一种基于深度学习的膝骨关节炎自动诊断方法,利用深度学习网络提高诊断的准确性和效率.
方法:在YOLOv8n网络基础上采用Efficient-ViT网络替换YOLOv8n的骨干网络以及增加注意力机制的方法,提出了一种新的网络模型YOLOV8-ViT模型,用于自动识别和分类膝骨关节炎的X射线片图像.实验数据集来自广州中医药大学第三附属医院的5 078张膝骨关节炎患者的X射线片图像,由3个影像医师根据Kellgren-Lawrence分级标准采用labelme软件来标注膝关节炎部位并进行分类,采用并集结果.评价指标包括Precision、F1分数、mean average precision(mAP)、Recall、val/box_loss、val/cls_loss和val/dfl_loss.
结果与结论:实验结果表明,与YOLOv5n、YOLOv8n、YOLOv9n模型比较,YOLOV8-ViT模型的准确率、IoU阈值为0.5的平均精度(mAP50)、IoU阈值为0.5-0.95的平均精度(mAP50-95)、F1分数和Recall均有所提高,val/box_loss、val/cls_loss和val/dfl_loss分别降低了0.496、0.45和0.523,1.037、0.305和0.728,0.267、0654和0.854,验证了该模型具有较高的检测精度.
关键词：膝骨关节炎深度学习YOLOv8Transformer目标检测检测精度
分类号：R445(诊断学)R318(医用一般科学)TP18(自动化基础理论)
论文发表日期：2025-12-18
在线出版日期：2025-08-15（本平台首次上网日期，不代表文献的发表时间）
页数：8( 7511-7518 )
英文信息