EnIRF-DO：一种结合图像与记录数据的深度学习模型，用于预测股骨骨质疏松症

《Optik》：EnIRF-DO: An Ensemble-of-Deep Learning Model using Image and Record Fusion for Osteoporosis Disease Prediction in Femur Bones

　　

A. Dhanyavathi|M.B. Veena

印度卡纳塔克邦班加罗尔市布萨纳亚纳·穆昆达达斯·斯里尼瓦萨工程学院电子与通信系，邮编560019

摘要

骨质疏松症会导致骨组织退化、骨密度降低，从而增加骨折风险。双能X射线吸收测定法（DXA）等先进成像技术有助于早期发现骨质疏松症并优化治疗方案。通过大规模筛查和提高公众意识，这些技术还能避免经济损失。医生们利用成像技术来评估骨质疏松症的严重程度。虽然普通X光片能提供一些信息，但在测量骨密度和评估骨质量方面，其效果不如DXA扫描。本研究基于影像和记录数据，开发了一种新的集成模型用于检测骨质疏松症。该模型需要在高层上下文信息与空间细节之间进行精细平衡，之后再通过理查森-卢西算法对图像进行锐化处理以提升图像质量。随后，会对预处理数据进行处理，包括旋转数据区域。接着使用Le卷积神经网络从处理后的图像中提取特征，以便做出准确诊断。在融合阶段，则运用典型相关分析，将股骨X光片所得图像与相关参与者的数据结合起来。最后，该集成模型通过汇总所有基础模型的预测结果，为未知数据生成最终预测值。这种集成方法提升了性能和准确性。所提出的模型在疾病预测方面的F1值为98.36%，特异性为100%，准确率为98.82%。由此可见，该模型能有效提高诊断准确性，高效预测骨质疏松症。

引言

近年来，骨质疏松症越来越普遍，全球约有2亿人受到影响[1]。然而，其中约75%的人被误诊，未能得到及时治疗。世界卫生组织将骨质疏松症定义为一种系统性骨骼疾病，它会引发骨组织微结构变化和退化，进而增加骨折风险和骨骼脆弱性[2]。由骨质疏松症引发的骨折很可能导致死亡或残疾，还会降低生活质量并增加医疗开支。对于容易发生骨质疏松性骨折的人群而言，早期诊断和治疗至关重要。就诊断目的而言，骨质疏松症的影像学检查主要有两大作用：其一，确定是否患有该疾病；其二，通过测量骨密度来预测未来骨骼变形的可能性[3]。目前，骨质疏松症是通过骨矿物质密度来定量诊断的，这一指标被视为判断骨质疏松性骨折最可靠的依据。尽管X光是诊断骨质疏松症的黄金标准，但它也可广泛用于监测病情进展[4]。

不过，目前针对骨质疏松症的DXA筛查还远远不够，因为在该疾病出现明显症状之前，往往已经发生了髋部或椎体骨折等严重意外骨折[5]。许多患者由于不了解该疾病的危害性，不愿主动接受筛查[6]。由于DXA作为骨质疏松症筛查工具的运用不足以及存在诸多局限性，人们越来越认为需要其他筛查方法。然而，所有其他技术都需要大量训练数据，且无法准确呈现目标骨骼的空间密度分布。近年来，医学图像解读领域开始应用人工智能技术。不少研究人员试图借助人工智能技术，开发出可靠的骨质疏松症评估方法[7]。有一些研究采用了深度学习或机器学习算法，结合常规放射学数据来预测骨质疏松症，比如量子深度神经网络[8]。在光伏系统故障诊断中，常用的方法有统计分析和神经网络。常见的神经网络类型包括径向基神经网络、模块化神经网络以及卷积神经网络[9][10][11]。

然而，这些方法耗时较长，难以获取清晰的放射学图像，也无法从图像中提取有效信息，还会给众多患者带来混淆。在结合影像资料和病历来识别骨质疏松症方面，可用的方法十分有限[12]。为解决这些问题，本文提出通过整合集成模型来提高骨质疏松症预测的准确度，从而获得更可靠、更精确的结果。所提模型的主要贡献如下：

• •
  设计了一种新的集成框架，用于提升股骨骨质疏松症的诊断准确性。
• •
  对维度进行调整，同时改进BW-Net和理查森-卢西模型，以此提升骨骼图像的质量。
• •
  通过对预处理数据进行增强处理，提高了预测的准确性。此外还使用LeCNet从增强后的图像中提取特征。
• •
  在融合阶段，将来自不同来源的特征整合起来，形成统一的数据表示形式。
• •
  采用包含深度神经网络、长短期记忆网络以及元学习器BiGRU的集成模型，对疾病预测结果进行整合与优化。

本文的其余部分结构如下：第2节介绍了部分关于骨质疏松症预测的研究成果；第3节阐述了基于集成模型的骨质疏松症预测方法；第4节给出实验结果与分析；第5节则对各项评估内容进行总结。

章节要点

相关研究

随着技术的发展，人们提出了多种方法来预测骨质疏松症。以下是近期出现的一些相关技术概述。

Xue等人[13]在一种名为DSNet的监督式深度卷积神经网络中加入了通道注意力模块。该模块不仅提升了腰椎CT图像中骨状况识别与分类的性能，其二次权重计算方法也进一步优化了诊断效果。

提出的方法

骨质疏松症是一种骨骼疾病，其特征是骨量与骨密度下降，容易引发脆性骨折。为了降低诊断和治疗带来的高昂成本，有必要开发一种成本低廉的骨质疏松症早期检测方法。在检测骨骼疾病时，X光放射成像是最常用的必要手段，但人工分析X光片以判断骨质疏松症及其关键特征存在一定难度。

结果与讨论

本文提出了一种创新的集成模型，用于结合记录数据和影像数据来检测骨质疏松症。首先需要从常规医疗机构获取DXA数据。由于噪声和其他无关因素可能影响预测精度，原始数据需要进行预处理。所提出的方法采用了三种不同的预处理步骤，旨在提升原始图像的对比度。这些预处理技术包括理查森-卢西算法、维度调整以及改进版的BW-Net。

结论

该模型的目标是评估基于放射影像的集成系统在自动、快速、精准地检测骨质疏松症方面的能力。临床数据以原始形式收集，包括患者信息和股骨的放射影像。由于噪声及其他可能干扰预测过程、增加处理时间的因素，因此需要对图像数据进行预处理。所采用的预处理技术包括维度调整、改进版的BW-Net以及理查森-卢西算法。

伦理规范遵守情况

本文为作者们的原创作品，此前未曾发表，也不会在其他期刊投稿，除非该期刊编辑部决定不予接收。

资金支持

作者声明，在撰写本文的过程中未获得任何资金、资助或其他形式的支持。

CRediT作者贡献说明

Veena M. B.：负责文章的写作——审阅与编辑、写作——初稿撰写、可视化处理、验证工作、监督指导、软件应用以及资源协调。A. Dhanyavathi：负责项目管理工作、方法设计、研究实施、资金筹集、正式数据分析、数据整理以及概念构思。

利益冲突声明

作者声明，他们不存在任何可能影响本文研究结果的已知财务利益关系或个人关联关系。

致谢

无

利益冲突声明

作者声明，他们与本研究不存在任何利益冲突。我们同样声明，与所提交的这项研究无关，我们没有任何可能构成利益冲突的商业或关联利益。

作者贡献

通讯作者承担了本文的主要工作，包括理论构建、分析以及文章编辑。另一位作者则负责对分析结果进行核查，并协助修改文章内容。

代码可用性

不适用