多激活卷积神经网络自动学习模型对膝关节软骨损伤的诊断效能分析

摘要：

目的 探讨基于深度学习中的多激活卷积神经网络(MACNN)自动学习模型(简称MACNN模型)对膝关节软骨损伤的诊断效能.方法 以大样本膝关节软骨MRI图像为基础组成MACNN模型训练集,通过卷积、池化、全连接激活及分类输出等步骤对图像信息逐层交互分析,自动提取表征并学习隐藏关系,完成MACNN模型训练.选择健康志愿者23例,膝关节软骨损伤患者117例,其中膝关节镜诊断分级Ⅰ级21例、Ⅱ级39例、Ⅲ级30例、Ⅳ级27例.收集膝关节软骨损伤患者术前及健康志愿者人组后的MRI图像共2 035幅,以此为基础分析传统人工阅片、支持向量机(SVM)分类及MACNN模型三种方法对患者膝关节软骨损伤的总诊断效能及分级诊断效能.结果 MACNN模型诊断膝关节软骨损伤的AUC高于传统人工阅片、SVM分类,特异性和准确性均高于传统人工阅片、SVM分类,敏感性高于传统人工阅片(P＜0.05或＜0.01).MACNN模型诊断Ⅰ～Ⅳ级膝关节软骨损伤的AUC均高于传统人工阅片、SVM分类;诊断I级膝关节软骨损伤的特异性高于传统人工阅片、SVM分类,准确性高于传统人工阅片(P＜0.05或＜0.01);诊断Ⅱ级膝关节软骨损伤的敏感性、特异性及准确性均高于传统人工阅片、SVM分类(P＜0.05或＜0.01);诊断Ⅲ级膝关节软骨损伤的敏感性、特异性及准确性均高于传统人工阅片(P均＜0.01);诊断Ⅳ级膝关节软骨损伤的特异性高于传统人工阅片(P＜0.05).结论 MACNN模型对膝关节软骨损伤患者的总诊断效能及分级诊断效能均较高,尤其在Ⅰ级及Ⅱ级膝关节软骨损伤诊断中有明显优势.

关键词：膝关节软骨损伤、多激活卷积神经网络、磁共振成像、自动学习模型

所属期刊栏目：59

分类号：R445.2(诊断学)

资助基金：国家自然科学基金面上项目61772242

在线出版日期：2020-06-04（万方平台首次上网日期，不代表论文的发表时间）

页数：共4页

页码：29-32