利用高级卷积神经网络对X光片中的膝关节骨关节炎严重程度进行分类

《Journal of Orthopaedics》：Knee Osteoarthritis Severity Classification in Radiographs Using Advanced Convolutional Neural Networks

　　S.P. Valan Arasu | R. Manjith | S. Anusha | S. Pousia
电子与通信工程系，Dr. Sivanthi Aditanar 工程学院，蒂鲁琴杜尔，泰米尔纳德邦，印度

**摘要**
膝关节骨关节炎（OA）是一种退行性、进行性关节疾病，其特征是关节间隙变窄、骨赘形成以及软骨下区域硬化，从而导致残疾、活动能力下降和生活质量降低。放射影像在评估OA严重程度方面至关重要，有助于早期诊断和治疗计划制定。然而，传统的Kellgren-Lawrence（KL）分级系统并不客观，且观察者间的可靠性存在差异。

**目标**
当前的自动化技术无法一致地预测膝关节的位置，并且在表示特征方面能力较弱，这可能会影响分类结果。为了解决这些问题，本研究提出了一种基于卷积神经网络（CNN）的先进模型，用于根据放射影像自动分类膝关节OA的严重程度。

**工作设计与方法**
所提出的解决方案结合了膝关节的精确定位和深度特征学习，以提高分类准确性。首先使用基于YOLOv2的模型自动定位并提取膝关节区域，以确保目标区域的准确识别。然后利用AlexNet构建的CNN来提取和分类特征，将其划分为KL等级（0-4）。

**结果**
使用3000张膝关节放射影像进行训练和评估，得到了85%的准确率、84%的精确度和83%的召回率。

**结论**
该方法提高了OA严重程度测量的可靠性和一致性，表明其在促进临床决策和早期诊断方面具有潜在作用。

**引言**
膝关节骨关节炎（OA）是一种慢性疾病，随着时间的推移，关节逐渐退化。该病通常会导致软骨磨损、关节间隙变窄、骨刺形成以及软骨下骨质硬化[1]。它是全球最常见的肌肉骨骼问题之一，会给患者带来大量不适，限制活动能力并降低生活质量，尤其是在老年人中。及时准确地评估OA的严重程度对于治疗决策至关重要[2, 3]。Kellgren-Lawrence（KL）分级系统通常用于确定膝关节骨关节炎的严重程度，该系统利用X光片将骨关节炎分为五个等级：0级（无骨关节炎迹象）、1级、2级、3级和4级（重度骨关节炎）[4]。这种分级依据的是不同的放射学表现，如关节间隙、骨质硬化、畸形和骨刺。

**图1**展示了根据KL分级系统的膝关节骨关节炎程度。然而，KL分级系统可能存在主观性，且高度依赖临床医生的判断，这会导致不同观察者之间或同一时间内的评估结果差异[6]。为了应对这些挑战，人们提出了许多基于机器学习（ML）和深度学习（DL）的自动化方法。传统的ML方法通常需要手动提取特征（如纹理描述符、直方图特征和统计特征），然后使用随机森林（RF）和支持向量机（SVM）等分类器。尽管这些方法可能取得最佳结果，但它们往往无法解决医学数据的复杂空间信息问题，也无法跨数据集进行推广[7, 8]。相反，最近在DL方面的进展，特别是使用卷积神经网络（CNN），在医学图像分类方面表现突出。VGG和ResNet等模型因其能够自动获取分层特征而常被用于定义OA的严重程度[9, 10]。然而，现有的CNN策略存在一些主要缺点：大多数算法无法在完整放射影像中分离出膝关节区域，因此包含大量冗余背景数据，影响准确性；此外，并非所有研究都采用简单明了的架构，导致计算成本较高，也难以有效区分相邻的KL等级[9, 10]。

为了解决这些问题，本研究引入了一种基于CNN的先进框架，结合了膝关节的精细定位和特征深度学习来分类OA的严重程度。该方法应用于一个结构化的流程：首先对放射影像进行尺寸调整和标准化处理，并添加数据以改善数据质量和泛化能力；随后使用YOLOv2模型自动定位和提取膝关节区域；提取的感兴趣区域（ROI）作为输入传递给基于AlexNet的CNN进行特征提取和分类。CNN能够捕捉到如关节间隙变窄、骨赘形成和骨质变化等关键特征，并利用softmax分类器将影像分为五个KL等级（0-4）。

**主要贡献**：
1. 有效实施预处理技术（包括标准化、图像尺寸调整和数据增强），以提高方法的泛化能力并减少过拟合。
2. 通过深度卷积层有效增强特征表示，捕捉膝关节放射影像中的细微结构变化。
3. 设计出一种稳健的OA严重程度分类框架，结合基于YOLOv2的膝关节检测和基于AlexNet的CNN分类。
4. 通过引入ROI提取机制、减少背景噪声和无关特征，有效提高分类准确性。
5. 与传统方法相比，实现了更可靠的OA严重程度分类结果，具有更高的准确率、精确度和召回率。

**余下部分安排**：
第2节讨论了关于OA分类和DL方法的相关文献综述；第3节概述了研究方法；第4节讨论实验结果；第5节总结工作并提出未来研究方向。

**相关工作**
Zhong等人（2026年）提出了一种使用改进的YOLOv8s自动诊断膝关节骨关节炎的方法，该方法通过改进特征提取和定位机制提高了目标检测能力，成功识别膝关节区域并辅助自动诊断[2]。不过，该模型并未充分考虑KL等级的细粒度分类。

**材料与方法**
本研究提出了一种基于放射影像的自动化OA严重程度分类的综合性架构，采用卷积神经网络实现。为保持系统的一致性和优化能力，我们首先进行了数据预处理（包括标准化、数据增强和尺寸调整）。接下来，我们专注膝关节区域，使用基于YOLOv2的目标检测模型精确定位并提取ROI。

**结果与讨论**
所提出的方法通过其利用放射影像分类OA阶段的能力进行了评估。使用了3000张膝关节X光片，并在独立测试集上进行了验证，确保结果无偏差。数据集被分层划分为训练集、验证集和测试集，以保证KL等级在各组中的分布均匀。

**讨论**
除了性能的定量指标外，该框架在临床实践中具有很高的应用价值，可以自动、客观且可重复地评估OA严重程度。使用YOLOv2定位膝关节以及通过AlexNet的CNN评估OA严重程度，有助于消除与手动KL分级相关的误差。该模型能帮助临床医生做出更准确的诊断。

**结论**
本研究提出了一种基于DL方法的自动OA严重程度分类系统。通过YOLOv2准确定位膝关节并用AlexNet进行分类，该方法有效解决了传统技术的不足之处，如目标区域定位和特征表示的不准确性。该模型的准确率为85%，精确率为84%，召回率为83%。

**注释**
- 本文未涉及数据共享和伦理声明，因为没有生成数据集。
- 本研究未接受外部资助。
- 作者声明无利益冲突。