受放射科医生启发，利用MobileNetV3-SVM结合Grad-CAM可视化技术检测半月板损伤

《Journal of Medical and Biological Engineering》：Radiologist-Inspired Meniscus Injury Detection Using MobileNetV3-SVM with Grad-CAM Visualization

半月板损伤的MRI影像智能诊断方法研究通过预处理和轻量级混合分类模型提升诊断准确率，采用MobileNetV3特征提取器与RBF-SVM分类器实现高效识别，Grad-CAM可视化验证模型关注区域。

　　

摘要

目的

半月板损伤是常见的膝关节内病变，由创伤、退化或过度使用引起，常导致疼痛、肿胀和活动受限。早期准确地诊断半月板损伤对于防止关节长期损伤至关重要。尽管磁共振成像（MRI）是金标准，但手动解读耗时且存在变异性，尤其是在区分细微撕裂和退化时。本研究提出了一个受放射科医生启发的框架，结合预处理和轻量级混合分类方法，使用MobilenetV3作为特征提取器，径向基函数-支持向量机（RBF-SVM）作为分类器，以提高诊断性能。

方法

使用一种经验公式对矢状位脂肪抑制膝关节MRI图像进行预处理，以增强线性高信号（撕裂）、弥漫性病变区域及其共现的可见性。实施了两阶段分层分类流程：首先进行二分类（正常 vs. 病变），然后使用MobileNetV3进行特征提取，再通过RBF-SVM进行多分类（撕裂、退化、撕裂伴退化）。应用Grad-CAM进行可解释性分析。

结果

所提出的框架在二分类任务中的AUC达到1.0，在多分类任务中的AUC超过0.98。经过预处理后，准确率从原始数据的73.88%提高到了95.75%。多分类任务的敏感性、特异性、精确度和F1分数分别为96.12%、95.40%、95.88%和95.60%，显示出所有类别之间的平衡性能。Grad-CAM验证了模型对半月板区域的关注，这与放射科医生的观察一致。

结论

该方法通过高效的特征提取和强大的分类能力，实现了高准确率、快速性和可解释性。其轻量级且计算效率高的设计使其能够实时应用于临床。然而，Grad-CAM可视化结果进一步证实了模型对半月板区域的关注，从而支持了结果的可解释性。