توسعه سیستم های یادگیری نیمه نظارتی برای تخمین زاویه استابولار از روی تصاویر رادیوگرافی، با هدف کاهش نیاز به اخذ تصاویر سی تی

Abstract

مقدمه: تخمین دقیق زاویه استابولوم نقش مهمی در تشخیص و مدیریت بیماری‌های مفصل ران دارد. روش‌های سنتی مانند رادیوگرافی و سی‌تی‌اسکن دارای محدودیت‌هایی از جمله وابستگی به مشاهده‌گر، هزینه‌های بالا و تابش اشعه هستند. روش‌های مبتنی بر یادگیری عمیق راهکارهای امیدوارکننده‌ای ارائه می‌دهند، اما عملکرد آن‌ها به دلیل وجود نویز در برچسب‌ها و کمبود داده‌های برچسب گذاری ‌شده، که چالش‌های رایجی در تصویربرداری پزشکی هستند، محدود می‌شود. روش‌ها: در این مطالعه، یک چارچوب یادگیری عمیق جدید برای تخمین زاویه استابولوم از تصاویر رادیوگرافی ارائه شده است که به مسئله نویز در برچسب‌ها و کمبود داده می‌پردازد. یک مجموعه‌داده شامل ۸۷۰ تصویر رادیوگرافی جمع‌آوری و پیش‌پردازش شد و دسته‌بندی اولیه داده‌ها با حذف نقاط پرت و خوشه‌بندی مدل ترکیبی گوسی (GMM) انجام گرفت. برای شناسایی داده‌های دارای نویز، چهار روش متمایز به‌کار گرفته شد: (۱) تطابق بین مدل‌ها، (۲) فیلترگذاری بر اساس اعتماد، (۳) سازگاری افزایشی، و (۴) پالایش بر اساس خطای رگرسیونی. در ادامه، از یک روش یادگیری نیمه‌نظارت‌شده استفاده شد که داده‌های دارای نویز را به‌عنوان داده‌های بدون برچسب در نظر گرفته و با تکنیک‌های شبه‌برچسب‌گذاری از آن‌ها بهره گرفت. نتایج: ترکیب چندین روش شناسایی نویز منجر به پالایش دقیق‌تر مجموعه‌داده و بهبود عملکرد مدل در هر دو وظیفه طبقه‌بندی و رگرسیون شد. در وظیفه طبقه‌بندی دودویی که زاویه استابولوم را به دو دسته کم و زیاد تقسیم‌بندی می‌کرد، دقت مدل از ۷۲٪ در مجموعه‌داده اولیه به ۹۸٪ پس از پالایش تکرارشونده و شبه‌برچسب‌گذاری افزایش یافت. در رگرسیون، میانگین قدرمطلق خطا (MAE) از ۴.۲۸° به ۲.۱۳° کاهش یافت و ضریب تعیین (R²) از ۰.۱۸ به ۰.۷۷ افزایش پیدا کرد که نشان‌دهنده بهبود قابلیت اطمینان پیش‌بینی است. نتیجه‌گیری: این مطالعه با بهره‌گیری از یادگیری عمیق و رویکردهای پیشرفته پالایش داده، تخمین زاویه استابولوم را بهبود داده و با کاهش نویز در برچسب‌ها و کمبود داده، دقت مدل را برای کاربردهای تشخیصی مبتنی بر هوش مصنوعی افزایش داده است.

کلیدواژه‌ها: نویز در برچسب‌ها، زاویه استابولوم، یادگیری عمیق، یادگیری نیمه‌نظارت‌شده