Resumen

La osteoartritis (OA) es la forma más común de artritis. Según las pruebas presentadas en ambos lados de los huesos de la rodilla, los radiólogos evalúan la gravedad de la OA basándose en el sistema de gradación de Kellgren-Lawrence (KL). Recientemente se han propuesto métodos asistidos por ordenador para mejorar la eficacia del diagnóstico de la OA. Sin embargo, las intervenciones humanas que requieren los anteriores métodos semiautomáticos de segmentación limitan su aplicación en conjuntos de datos a gran escala. Además, las arquitecturas CNN conocidas aplicadas a la evaluación de la gravedad de la OA no exploran las relaciones entre diferentes regiones locales. En este trabajo, al integrar el modelo de detección de objetos, YOLO, con el transformador visual en el procedimiento de diagnóstico, reducimos la intervención humana y proporcionamos un enfoque integral para el diagnóstico automático de la osteoartritis. Nuestro enfoque segmenta correctamente el 95,57% de los datos a expensas del entrenamiento en 200 imágenes anotadas en un gran conjunto de datos que contiene más de 4500 muestras. Además, nuestro resultado de clasificación mejora la precisión en un 2,5 omparado con las arquitecturas CNN tradicionales.

• Materias:Insuficiencia cardíaca Plataforma de servicios Filtro de orden óptimo Características clínicas Osteoporosis
• Subjects:Heart failure Platform services Optimal order filtering Clinical features Osteoporosis
• Palabras claves:métodos semiautomáticos de segmentación anteriores, evaluación de la gravedad de la OA, diagnóstico automático de la osteoartritis, diferentes regiones locales, modelo de detección de objetos, arquitecturas CNN tradicionales, OA, arquitecturas CNN, diagnóstico de la OA, resultado de la clasificación
• Keywords:previous semiautomatic segmentation methods, OA severity assessment, automatic osteoarthritis diagnosis, different local regions, object detection model, traditional CNN architectures, OA, CNN architectures, OA diagnosis, classification result