СРАВНИТЕЛЬНЫЙ АНАЛИЗ АРХИТЕКТУР ГЛУБОКОГО ОБУЧЕНИЯ ДЛЯ ВЫЯВЛЕНИЯ ОСТЕОПОРОЗА НА РЕНТГЕНОГРАММАХ КОЛЕННОГО СУСТАВА: ОТ КАСТОМНОЙ CNN ДО ТРАНСФЕРНОГО ОБУЧЕНИЯ
Ключевые слова:
выявление остеопороза, глубокое обучение, трансферное обучение, EfficientNet, ResNet50, CLAHE, рентгенограмма коленного сустава, сверточная нейронная сеть, дисбаланс классов, классификация медицинских изображенийАннотация
Остеопороз является системным заболеванием скелета, связанным со снижением минеральной плотности костной ткани и повышенным риском переломов. Несмотря на то, что двухэнергетическая рентгеновская абсорбциометрия остается золотым стандартом диагностики, обычные рентгенограммы коленного сустава являются более доступными и могут использоваться для предварительного скрининга в клинических условиях с ограниченными ресурсами. Целью данного исследования являлось сравнение подходов глубокого обучения для классификации рентгенограмм коленного сустава на категории «Норма» и «Остеопороз». В работе использовался общедоступный набор данных, включающий 372 рентгеновских изображения коленного сустава; предварительная обработка изображений включала контрастно-ограниченную адаптивную гистограммную эквализацию (Contrast Limited Adaptive Histogram Equalization, CLAHE), а модели обучались и оценивались в одинаковых экспериментальных условиях. Наилучшую эффективность, ориентированную на скрининг, показала модель EfficientNet-B3, достигнув accuracy 80,00%, recall 89,74% и F1-score 82,35%. Кастомная сверточная нейронная сеть (convolutional neural network, CNN) продемонстрировала наибольшую площадь под ROC-кривой (receiver operating characteristic area under the curve, ROC-AUC), составившую 87,75%. Полученные результаты свидетельствуют о том, что как трансферное обучение, так и компактные специализированные модели могут быть полезны для предварительного выявления остеопороза по рентгенограммам коленного сустава. Дополнительный анализ включал пятикратную кросс-валидацию, анализ ошибок классификации на основе матрицы ошибок, ablation-эксперименты и визуализацию с использованием Grad-CAM. Однако данное исследование носит предварительный характер и ограничено малым размером набора данных, а также отсутствием внешней валидации. Перед клиническим применением необходима дальнейшая оценка на более крупных независимых клинических выборках.
Библиографические ссылки
Hernlund, E., Svedbom, A., Ivergård, M., Compston, J., Cooper, C., McCloskey, E., ... & Kanis, J. A. (2013). Osteoporosis in the European Union: Medical management, epidemiology and economic burden. Archives of Osteoporosis, 8(1), 136. https://doi.org/10.1007/s11657-013-0136-1
Litjens, G., Kooi, T., Bejnordi, B. E., Setio, A. A. A., Ciompi, F., Ghafoorian, M., ... & Sánchez, C. I. (2017). A survey on deep learning in medical image analysis. Medical Image Analysis, 42, 60–88. https://doi.org/10.1016/j.media.2017.07.005
Chlap, P., Min, H., Vandenberg, N., Dowling, J., Holloway, L., & Haworth, A. (2021). A review of medical image data augmentation techniques for deep learning applications. Journal of Medical Imaging and Radiation Oncology, 65(5), 545–563. https://doi.org/10.1111/1754-9485.13261
Tajbakhsh, N., Shin, J. Y., Gurumurthy, S. R., Hurst, A., Agrawal, M. B., & Liang, J. (2016). Convolutional neural networks for medical image analysis: Full training or fine tuning? IEEE Transactions on Medical Imaging, 35(5), 1299–1312. https://doi.org/10.1109/TMI.2016.2535302
Xu, S., Yao, Q., Liu, G., Wang, M., Gu, J., & Guo, J. (2020). Combining DWI radiomics features with transurethral resection promotes the differentiation between muscle-invasive bladder cancer and non-muscle-invasive bladder cancer. European Radiology, 30, 1804–1812. https://doi.org/10.1007/s00330-019-06484-2
Sato, Y., Yamamoto, N., Inagaki, N., Iesaki, Y., Asamoto, T., Suzuki, T., & Takahara, S. (2022). Deep learning for bone mineral density and T-score prediction from chest X-rays: A multicenter study. Biomedicines, 10(9), Article 2323. https://doi.org/10.3390/biomedicines10092323
Hsieh, C. I., Zheng, K., Lin, C., Mac, L., Chu, K. L., Chou, C. C., ... & Chang, J. W. (2021). Automated bone mineral density prediction and fracture risk assessment using plain radiographs via deep learning. Nature Communications, 12(1), Article 5472. https://doi.org/10.1038/s41467-021-25779-x
Liu, J., et al. (2025). Deep learning radiomics model based on computed tomography image for predicting the classification of osteoporotic vertebral fractures: Algorithm development and validation. JMIR Medical Informatics, 13, Article e75665. https://doi.org/10.2196/75665
Park, H., Kang, W. Y., Woo, O. H., Lee, J., Yang, Z., & Oh, S. (2024). Automated deep learning-based bone mineral density assessment for opportunistic osteoporosis screening using various CT protocols with multi-vendor scanners. Scientific Reports, 14(1), Article 25014. https://doi.org/10.1038/s41598-024-73709-w
Kalmet, P. H. S., Sanduleanu, S., Primakov, S., Wu, G., Jochems, A., Refaee, T., ... & Poeze, M. (2020). Deep learning in fracture detection: A narrative review. Acta Orthopaedica, 91(2), 215–220. https://doi.org/10.1080/17453674.2019.1711323
Lindsey, R., Daluiski, A., Chopra, S., Finkelstein, A., Alexander, P., Rzeszutek, J., ... & Suelflow, J. (2018). Deep neural network improves fracture detection by clinicians. Proceedings of the National Academy of Sciences, 115(45), 11591–11596. https://doi.org/10.1073/pnas.1806905115
Chawla, N. V., Bowyer, K. W., Hall, L. O., & Kegelmeyer, W. P. (2002). SMOTE: Synthetic minority over-sampling technique. Journal of Artificial Intelligence Research, 16, 321–357. https://doi.org/10.1613/jair.953
Lin, T. Y., Goyal, P., Girshick, R., He, K., & Dollár, P. (2020). Focal loss for dense object detection. IEEE Transactions on Pattern Analysis and Machine Intelligence, 42(2), 318–327. https://doi.org/10.1109/TPAMI.2018.2858826
Halabi, S. S., Prevedello, L. M., Kalpathy-Cramer, J., Mamonov, A. B., Bilbily, A., Cicero, M., ... & Flanders, A. E. (2019). The RSNA pediatric bone age machine learning challenge. Radiology, 290(2), 498–503. https://doi.org/10.1148/radiol.2018180736
Pizer, S. M., Amburn, E. P., Austin, J. D., Cromartie, R., Geselowitz, A., Greer, T., ... & Zimmerman, J. B. (1987). Adaptive histogram equalization and its variations. Computer Vision, Graphics, and Image Processing, 39(3), 355–368. https://doi.org/10.1016/S0734-189X(87)80186-X
Ren, S., He, K., Girshick, R., & Sun, J. (2017). Faster R-CNN: Towards real-time object detection with region proposal networks. IEEE Transactions on Pattern Analysis and Machine Intelligence, 39(6), 1137–1149. https://doi.org/10.1109/TPAMI.2016.2577031
Krizhevsky, A., Sutskever, I., & Hinton, G. E. (2017). ImageNet classification with deep convolutional neural networks. Communications of the ACM, 60(6), 84–90. https://doi.org/10.1145/3065386
Ye, H. (2025). Artificial intelligence combined with computed tomography or X-ray radiography: Potential solution for opportunistic screening for osteoporosis. European Journal of Radiology Artificial Intelligence, 3, Article 100036. https://doi.org/10.1016/j.ejrai.2025.100036
Burghardt, A. J., Link, T. M., & Majumdar, S. (2011). High-resolution computed tomography for clinical imaging of bone microarchitecture. Clinical Orthopaedics and Related Research, 469(8), 2179–2193. https://doi.org/10.1007/s11999-010-1766-x
Опубликован
Как цитировать
Выпуск
Раздел
Лицензия
Copyright (c) 2026 Нургуль Карымсакова , Бағлан Иманбек , Асия Болтабоева , Жадыра Алимбаева , Касымбек Ожикенов
Это произведение доступно по лицензии Creative Commons «Attribution-NonCommercial-NoDerivatives» («Атрибуция — Некоммерческое использование — Без производных произведений») 4.0 Всемирная.
