РАЗРАБОТКА СВЕРТОЧНОЙ НЕЙРОННОЙ СЕТИ ДЛЯ ОЦЕНКИ ТЯЖЕСТИ ОСТЕОАРТРИТА КОЛЕННОГО СУСТАВА

Аннотация

Предлагается метод автоматизированной оценки степени тяжести остеоартрита коленно- го сустава, основанный на применении современных методов машинного обучения, в частности, глубокой нейронной сети. Остеоартрит является одним из наиболее распространённых дегенера- тивных заболеваний суставов, и его своевременная диагностика является критически важной для эффективного лечения. Традиционные методы визуальной оценки рентгенографических снимков коленного сустава имеют ряд ограничений, таких как субъективность и зависимость от опыта врача. В связи с этим разработка методов автоматизированного анализа медицинских изображений становится всё более актуальной. Остеоартрит коленного сустава – одно из самых распростра- ненных и тяжелых дегенеративных заболеваний, ведущих к значительному снижению качества жизни пациентов. Традиционные методы диагностики остеоартрита, такие как визуальная оценка рентгенографических снимков, зависят от субъективного мнения специалиста и его опыта, что может приводить к вариациям в точности диагностики и своевременности выявления патологии. Поэтому разработка и внедрение методов автоматизированного анализа медицинских изображений имеет высокую актуальность и потенциальную клиническую ценность. В ходе данного исследования была разработана и обучена специализированная нейронная сеть на основе архитектуры ResNet-34, которая доказала свою высокую эффективность в решении задач компьютерного зрения. Нейронная сеть была модифицирована для включения двух параллельных ветвей, каждая из которых содержит спиральную линейную структуру и четыре скрытых слоя, предназначенных для более точного выде- ления области коленного сустава. Такая архитектура позволила не только идентифицировать об- ласть интереса с высокой точностью, но и оптимизировать функцию потерь в зависимости от специфики различных патологий, таких как разная степень поражения суставов, а также скоррек- тировать влияние классового дисбаланса в данных, что часто становится проблемой при работе с медицинскими изображениями. Для повышения качества результатов нейронная сеть была обучена на двух независимых наборах данных, разделённых по половому признаку (мужчины и женщины). Это позволило улучшить общее качество рентгенографических изображений и снизить влияние шумов, которые могут возникать вследствие артефактов при радиальной визуализации. В процессе подготовки данных также была применена техника ImagePixelSpacing, позволяющая уточнять раз- решение изображений до размеров 256 × 256 пикселей, что способствовало лучшей обработке дета- лей и структур коленного сустава. Обучение сети проводилось с использованием современных методов оптимизации, что позволило достичь высокой точности классификации. Для оценки эффективности предложенной модели использовался тест Каппа, который подтвердил достоверность определения базовых линий. Средняя точность, достигнутая моделью, составила 9 ,76% на основе результатов мультиклассового T-теста, что свидетельствует о её высоком потенциале для клинического примене- ния. Более того, коэффициент AUC (площадь под кривой операционной характеристикой) составил 0,97, что значительно превышает показатели, достигнутые в предыдущих исследованиях в данной области. Предложенная модель демонстрирует высокую точность и надежность в задаче автомати- зированной оценки степени тяжести остеоартрита, что может стать значительным шагом вперед в области диагностики и мониторинга этого заболевания. Кроме этого эти результаты демонстри- руют потенциал модели как надежного инструмента для автоматизированной оценки степени ос- теоартрита, способного не только улучшить точность диагностики, но и облегчить работу медицин- ских специалистов. Дальнейшие исследования могут включать адаптацию модели для анализа других суставов и интеграцию дополнительных функциональных возможностей, таких как прогнозирование прогрессирования заболевания на основе последовательных снимков.