Visualização do documento
Título
Desenvolvimento e aplicação de rede neural convolucional para o diagnóstico de osteoartrite de joelho
Orientador
Guanis de Barros Vilela Junior
Autor
Luís Felipe Silio
Palavra chave
Aprendizado de máquina. Redes neurais. Osteoartrite.
Grupo CNPQ
Programa
DR - CIÊNCIAS DO MOVIMENTO HUMANO
Área
CIÊNCIAS DA SAÚDE
Data da defesa
11/11/2022
Nº Downloads
128
Resumo
INTRODUÇÃO: A osteoartrite do joelho (OA) é uma doença articular degenerativa, que ocasiona desgaste e perda progressiva da cartilagem local. Os sintomas de OA incluem rigidez, mobilidade articular limitada e presença de dor que podem levar a uma diminuição no tempo de atividade física diária, na qualidade de vida e comprometimento da saúde. Sua interpretação é, usualmente, realizada por meio de análise clínica de imagens o que implica em um trabalho cada vez maior nos centros ortopédicos e de radiologia. O presente estudo desenvolveu e aplicou o desempenho de uma rede neural convolucional projetada para auxiliar ortopedistas e radiologistas na detecção e classificação de osteoartrite do joelho de graus iniciais a severos, de acordo com o sistema de classificação Kellgren-Lawrence (KL). OBJETIVO: Desenvolver e validar uma Rede Convolucional Neural (CNN) capaz de classificar e diagnosticar a OA no joelho de forma dinâmica e eficaz. MATERIAIS E MÉTODOS: Utilizou-se uma pesquisa descritiva de caráter quali quantitativo e métodos da inteligência artificial (IA) aplicados na análise do movimento humano. Foi utilizado um banco de dados com radiografias de OA de joelho (Grau 0 - 3.085 imagens, Grau 1 - 1.416 imagens, Grau 2 - 2.062 imagens, Grau 3 - 1.029 imagens e Grau 4 - 236 imagens). Para análise e classificação das imagens foi utilizado um ambiente de desenvolvimento da linguagem Python, por meio da aplicação Google Colab executada em ambiente virtual (na nuvem). As imagens foram utilizadas para treinar um conjunto de arquiteturas de rede neural para a previsão do nível de gravidade, segundo a classificação de KL em OA. RESULTADOS: Após a configuração da CNN, iniciou-se o treinamento de máquina com as radiografias, em seguida realizados testes e por fim a integração, obtendo-se uma classificação expressa com as taxas de sensibilidade de teste conforme a densidade de rede com joelho saudável, OA leve, moderado e grave. Após a classificação e análise das imagens na rede convolucional, foi gerado o comportamento do classificador sobre a precisão do algoritmo na exatidão do diagnóstico. O algoritmo apresentou acurácia de 0,85 (OA mínimo), 0,79 ( joelho saudável), 0,89 (OA moderado) e 0,98 (OA severo. Precisão de 0,67 (joelho saudável), 0,71 (OA mínimo), 0,86 (OA moderado) e 0,82 (OA severo). Sensibilidade de 0,65 (joelho saudável), 0,77 (OA mínimo), 0,79 (OA moderado) e 0,93 (OA severo). Especificidade de 0,86 (joelho saudável), 0,88 (OA mínimo), 0,94 (OA moderado) e 0,93 (OA severo). Todos os valores do FMI ficaram entre 0,94 e 1,00. CONCLUSÃO: Nosso modelo de aprendizagem profunda propostos, forneceram alta precisão e acurácia, satisfatórias para a detecção e classificação de osteoartrite leve ao severo do joelho em radiografias simples. Esse modelo poderá ser aplicado como auxílio no diagnóstico clínico de radiografias de joelho e na orientação do tratamento em cada estágio da patologia para médicos, radiologistas e profissionais do movimento humano.
Abstract
INTRODUCTION: knee osteoarthritis (OA) is a degenerative joint disease that causes wear and tear and progressive loss of the local cartilage. The symptoms of OA include stiffness, limited joint mobility and the presence of pain that can lead to a decrease in daily physical activity time, quality of life and health impairment. Its interpretation is usually carried out through clinical image analysis, which implies an increasing amount of work in orthopedic and radiology centers. The present study developed and applied the performance of a convolutional neural network designed to assist orthopedists and radiologists in the detection and classification of knee osteoarthritis from initial to severe grades, according to the KellgrenLawrence (KL) classification system. OBJECTIVE: To develop and validate a Convolutional Neural Network (CNN) capable of dynamically and effectively classifying and diagnosing knee OA. MATERIALS AND METHODS: A qualitative and quantitative descriptive research and artificial intelligence (AI) methods applied in the analysis of human movement were used. A database with knee OA radiographs was used (Grade 0 - 3,085 images, Grade 1 - 1,416 images, Grade 2 - 2,062 images, Grade 3 - 1,029 images and Grade 4 - 236 images). For analysis and classification of images, a Python language development environment was used, through the Google Colab application running in a virtual environment (in the cloud). The images were used to train a set of neural network architectures to predict the level of severity, according to the classification of KL in OA. RESULTS: after configuring the CNN, machine training was started with the radiographs, then tests were carried out and finally the integration, obtaining an express classification with the test sensitivity rates according to the network density with a healthy knee, mild, moderate, and severe OA. After the classification and analysis of the images in the convolutional network, the behavior of the classifier on the accuracy of the algorithm in the accuracy of the diagnosis was generated. The algorithm presented an accuracy of 0.85 (minimum OA), 0.79 (healthy knee), 0.89 (moderate OA) and 0.98 (severe OA. Accuracy of 0.67 (healthy knee), 0.71 (Minimal OA), 0.86 (moderate OA) and 0.82 (severe OA). Sensitivity of 0.65 (healthy knee), 0.77 (minimal OA), 0.79 (moderate OA) and 0.93 (Severe OA) Specificity of 0.86 (healthy knee), 0.88 (minimal OA), 0.94 (moderate OA) and 0.93 (severe OA). All FMI values were between 0.94 and 1.00. CONCLUSION: Our proposed deep learning model provided satisfactory high precision and accuracy for the detection and classification of mild to severe osteoarthritis of the knee on plain radiographs. This model can be applied as an aid in the clinical diagnosis of knee radiographs and in guiding treatment at each stage of the pathology for physicians, radiologists, and human movement professionals.
