Сравнительный анализ архитектур глубокого обучения для обнаружения остеопороза по рентгенограммам коленного сустава: От кастомных сверточных нейронных сетей до трансферного обучения
DOI:
https://doi.org/10.52889/1684-9280-2026-77-3-jto053Ключевые слова:
обнаружение остеопороза, глубокое обучение, трансферное обучение, EfficientNet, ResNet50, контрастно-ограниченная адаптивная эквализация гистограммы, рентгенография коленного сустава, сверточная нейронная сеть, дисбаланс классов, классификация медицинских изображенийАннотация
Остеопороз — это системное заболевание скелета, поражающее миллионы людей по всему миру и характеризующееся снижением минеральной плотности костной ткани и повышенным риском переломов. Ранняя и точная диагностика по рентгенограммам коленного сустава остается сложной клинической задачей из-за едва заметных изменений трабекулярной структуры и ограниченной доступности размеченных наборов данных.
В данном исследовании представлен сравнительный анализ трех архитектур глубокого обучения — кастомной (пользовательской) сверточной нейронной сети (CNN), ResNet50 с частичной тонкой настройкой и EfficientNet-B3 с полной тонкой настройкой — для бинарной классификации рентгеновских снимков коленного сустава на категории «Норма» и «Остеопороз».
Методы. В качестве эталонного датасета использовался набор рентгеновских снимков колена при остеопорозе (372 изображения). Все модели обучались с применением метода контрастно-ограниченной адаптивной эквализации гистограммы для повышения контрастности, геометрической аугментации и аугментации перекрытия, а также взвешенной по классам функции потерь кросс-энтропии для устранения дисбаланса классов. Для повышения обобщающей способности моделей применялись раннее прекращение обучения и L2-регуляризация.
Результаты. Экспериментальные результаты показывают, что EfficientNet-B3 продемонстрировала наилучшую общую производительность с точностью 80,00%, полнотой 89,74% и F1-мерой 82,35%, что делает ее наиболее подходящей моделью для клинического скрининга, где приоритетом является чувствительность. Кастомная CNN достигла наивысшего значения рабочей характеристики приемника — площади под кривой (87,75%), что указывает на высокую способность к дискриминации, несмотря на компактную архитектуру. Модель ResNet50 с частичной тонкой настройкой показала конкурентоспособную точность (76,32%) и площадь под кривой (86,89%).
Выводы. Полученные результаты позволяют оценить компромиссы между сложностью модели, стратегией трансферного обучения и диагностической эффективностью при решении задач классификации медицинских изображений на малых выборках.
Библиографические ссылки
1. Hernlund, E., Svedbom, A., Ivergаrd, M., Compston, J. E., Cooper, C., Stenmark, J., McCloskey, E. V., Jönsson, B., & Kanis, J. A. (2013). Osteoporosis in the European Union: Medical management, epidemiology and economic burden. Archives of Osteoporosis, 8, 136. https://doi.org/10.1007/s11657-013-0136-1
2. Litjens, G., Kooi, T., Bejnordi, B. E., Setio, A. A. A., Ciompi, F., Ghafoorian, M., van der Laak, J. A. W. M., van Ginneken, B., & 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
3. 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
4. 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
5. 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
6. Sarhan, A. M., Gobara, M., Yasser, S., Elsayed, Z., Sherif, G., Moataz, N., ... & Ali, H. A. (2024). Knee osteoporosis diagnosis based on deep learning. International Journal of Computational Intelligence Systems, 17(1), 241. https://doi.org/10.1007/s44196-024-00615-4
7. Naguib, S. M., Saleh, M. K., Hamza, H. M., Hosny, K. M., & Kassem, M. A. (2024). A new superfluity deep learning model for detecting knee osteoporosis and osteopenia in X-ray images. Scientific Reports, 14(1), 25434. https://doi.org/10.1038/s41598-024-75549-0
8. Rasool, M. A., Ahmad, S., Sabina, U., & Whangbo, T. K. (2024). Konet: Toward a weighted ensemble learning model for knee osteoporosis classification. IEEE Access, 12, 5731-5742. https://doi.org/10.1109/ACCESS.2023.3348817
9. Yamamoto, N., Sukegawa, S., Kitamura, A., Goto, R., Noda, T., Nakano, K., ... & Ozaki, T. (2020). Deep learning for osteoporosis classification using hip radiographs and patient clinical covariates. Biomolecules, 10(11), 1534. https://doi.org/10.3390/biom10111534
10. Jang, R., Choi, J. H., Kim, N., Chang, J. S., Yoon, P. W., & Kim, C. H. (2021). Prediction of osteoporosis from simple hip radiography using deep learning algorithm. Scientific reports, 11(1), 19997. https://doi.org/10.1038/s41598-021-99549-6
11. Hardalaç, F., Uysal, F., Peker, O., Çiçeklidağ, M., Tolunay, T., Tokgöz, N., ... & Mert, F. (2022). Fracture detection in wrist X-ray images using deep learning-based object detection models. Sensors, 22(3), 1285. https://doi.org/10.3390/s22031285
12. 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
13. 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
14. Halabi, S. S., Prevedello, L. M., Kalpathy-Cramer, J., Mamonov, A. B., Bilbily, A., Cicero, M., Pan, I., Pereira, L. A., Sousa, R. T., Abdala, N., Kitamura, F. C., Thodberg, H. H., Chen, L., Shih, G., Andriole, K., Kohli, M. D., Erickson, B. J., & Flanders, A. E. (2019). The RSNA pediatric bone age machine learning challenge. Radiology, 290(2), 498–503. https://doi.org/10.1148/radiol.2018180736
15. Pizer, S. M., Amburn, E. P., Austin, J. D., Cromartie, R., Geselowitz, A., Greer, T., Terzopoulos, D., Avery, M., & 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
16. 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
17. 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
18. 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, 100036. https://doi.org/10.1016/j.ejrai.2025.100036
19. 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
Загрузки
Опубликован
Выпуск
Раздел
Лицензия
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.
