典型文献
基于深度集成网络模型的膝关节退行性病变分级诊断方法
文献摘要：
膝关节退行性病变(knee osteoarthritis,KOA)是一种由关节软骨纤维化等引发的进展性膝关节疾病.病情发展大致可分为轻度与重度两个阶段,若能对其进行有效追踪,则可根据严重程度及时采取相应的防控措施,这对于提高患者生存质量有着重要临床意义.本文将这一过程称之为KOA分级诊断.相比传统的KOA诊断方法(CT,MRI等),骨振信号(Vibroarthrographic signal,VAG)有着无创无害,成本低廉,可便捷使用等优点,是近年来临床中正在探索的一种全新的KOA检查手段.然而,目前关于VAG信号的理论研究尚不充分,临 床可提供的指导信息十分有限.基于此,本文以VAG信号为主要数据源,同时融入患者的生理信息,开展关于KOA分级诊断的辅助诊断方法研究.首先,在卷积神经网络框架下,构建了用于分析VAG信号的网络模块VAG-CNN-Block;其次,在前馈神经网络框架下,构建了用于分析生理信息的网络模块 PI-FNN-Block;进而,结合 VAG-CNN-Block 和 PI-FNN-Block,采用注意力机制设计了一种深度集成网络模型MBE-Net,并据此提出了 KOA的分级诊断方法,用以实现正常受试者,轻度,重度KOA患者的自动识别.最后,采用西安市某两所医院的临床数据对所提方法进行验证.数值实验表明所提方法的准确率,灵敏度,特异度分别可达87.5％,87.2％与93.6％.
文献关键词：
膝关节退行性病变;分级诊断;骨振信号;深度集成网络模型
中图分类号：
作者姓名：
宋江玲;郑田田;张瑞
作者机构：
西北大学数学学院,陕西 西安 710127
文献出处：
引用格式：
[1]宋江玲;郑田田;张瑞-.基于深度集成网络模型的膝关节退行性病变分级诊断方法)[J].纯粹数学与应用数学,2022(03):309-321
A类：
深度集成网络模型,集成网络模型,骨振信号,Vibroarthrographic
B类：
膝关节退行性病变,病变分级,分级诊断,knee,osteoarthritis,KOA,关节软骨,进展性,膝关节疾病,病情发展,生存质量,称之为,signal,VAG,无创,无害,中正,要数,数据源,辅助诊断,网络框架,Block,前馈神经网络,FNN,注意力机制,机制设计,MBE,Net,自动识别,西安市,两所,临床数据,数值实验
AB值：
0.221632
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
