Usage of artificial neural networks in the diagnosis of knee joint disorders

• Autorzy: Witkowski Konrad , Wieczorek Mikołaj

Identyfikatory

DOI

10.35784/iapgos.5380

Warianty tytułu

PL

Zastosowanie sztucznych sieci neuronowych w diagnozie schorzeń stawu kolanowego

• Języki publikacji: EN

Abstrakty

EN

Following article address the issue of automatic knee disorder diagnose with usage of neural networks. We proposed several hybrid neuralnet architectures which aim to successfully classify abnormalityusing MRI (magnetic resonance imaging) images acquired from publicly available dataset. To construct such combinations of modelswe used pretrainedAlexnet, Resnet18 and Resnet34 downloaded from Torchvision. Experiments showedthat for certain abnormalities our models can achieve up to 90% accuracy.

PL

Niniejszy artykuł porusza temat automatycznej diagnozy uszkodzenia stawu kolanowego z zastosowaniem sieci neuronowych. Zaproponowanokilka hybrydowych sieci neuronowych, które podjęły próbę poprawnej klasyfikacji nieprawidłowości wykorzystując zdjęcia rezonansu magnetycznego pochodzące z publicznie dostępnego zbioru. Do konstrukcjikombinacji sieci skorzystanoz pretrenowanych modeli (Alexnet, Resnet18, Resnet34) pobranychz Torchvision. Eksperyment pokazał, że dla klasyfikacji niektórych schorzeń modele osiągnęły nawet 90% skuteczności.

Słowa kluczowe

EN

classification; MRI images; Resnet; Alexnet

PL

klasyfikacja; zdjęcia MRI; Resnet; Alexnet

• Wydawca: Wydawnictwo Politechniki Lubelskiej
• Czasopismo: Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska
• Rocznik: 2023
• Tom: T. 13, nr 4
• Strony: 11--14
• Opis fizyczny: Bibliogr. 9 poz., rys., tab., wykr.

Twórcy

autor

Witkowski Konrad

• Lodz University of Technology, Lodz, Poland

• https://orcid.org/0009-0004-2916-8672

autor

Wieczorek Mikołaj

• https://orcid.org/0000-0003-4397-3331

Bibliografia

• [1] Bien N. et al.: Deep-learning-assisted diagnosis for knee magnetic resonance imaging: Development and retrospective validation of MRNet. PLoS Med 15(11), 2018, e1002699 [http://doi.org/10.1371/journal.pmed.1002699].
• [2] He K., Zhang X., Ren S., Sun J.: Deep Residual Learning for Image Recognition. Computer Vision and Pattern Recognition 2015, arXiv:1512.03385.
• [3] Krizhevsky A., Sutskever I., Hinton G. E.: ImageNet Classification with Deep Convolutional Neural Networks. F. Pereira, C. J. Burges, L. Bottou and K. Q. Weinberger: Advances in Neural Information Processing Systems 25 (NIPS 2012), 2012.
• [4] https://en.wikipedia.org/wiki/McNemar%27s_test
• [5] https://github.com/ahmedbesbes/mrnet
• [6] https://machinelearningmastery.com/mcnemars-test-for-machine-learning/
• [7] https://pytorch.org/vision/stable/models.html
• [8] https://stanfordmlgroup.github.io/competitions/mrnet/
• [9] https://www.mikulskibartosz.name/wilson-score-in-python-example/

Uwagi

Opracowanie rekordu ze środków MNiSW, umowa nr SONP/SP/546092/2022 w ramach programu "Społeczna odpowiedzialność nauki" - moduł: Popularyzacja nauki i promocja sportu (2024).