Aprendizaje supervisado en detección de osteoartritis de rodilla a partir de imágenes de resonancia magnética

Abstract

La osteoartritis (OA) es una enfermedad común a nivel mundial, que afecta especialmente a los adultos mayores, causando incapacidad física y un impacto en la calidad de vida. En el proceso de diagnóstico de la OA un médico especialista emplea imágenes médicas para diagnosticar su grado de avance a partir del análisis fisiopatológico de la enfermedad. Hoy en día, esta compleja tarea de diagnóstico es un campo de investigación para el aprendizaje automático (ML) y su forma de aprendizaje supervisada. En este Trabajo se presenta el desarrollo de clasificadores de ML para la clasificación de OA de rodilla, según la escala de severidad de Kellgren-Lawrence. Para el desarrollo de los clasificadores se estudiaron distintas redes neuronales convolucionales (CNN): VGG16, InceptionV3, Xception, MobileNet y DenseNet121 en base a imágenes de resonancia magnética (MRI) de pacientes, obtenidas desde la base datos Iniciativa de Osteoartritis (OAI). El enfoque del Trabajo combina dos métodos de aprendizaje por transferencia: modelos de clasificación a partir de CNN pre-entrenadas; y modelos de clasificación de máquinas de vector de soporte (SVM) en base a características extraídas desde CNN pre-entrenadas y la técnica de análisis de componentes principales (PCA). Además, a fin de incrementar la exactitud de predicción de los modelos entrenados para la clasificación de OA, se estudió un método de ensamble: la técnica de mayoría de votos. Finalmente, los resultados obtenidos del experimento demuestran que el método de ensamble es capaz de aumentar la exactitud de predicción desde 55.3% a un 60.6% en la clasificación de OA.

Osteoarthritis (OA) is a common disease worldwide, which especially affects older adults, causing physical disability and an impact on quality of life. In the process of diagnosing OA, a specialist doctor uses medical images to diagnose its degree of progress based on the pathophysiological analysis of the disease. Today, this complex diagnostic task is a research field for machine learning (ML) and its form of supervised learning. This Work presents the development of ML classifiers for the classification of knee OA, according to the Kellgren-Lawrence severity scale. For the development of the classifiers, different convolutional neural networks (CNN) were studied: VGG16, InceptionV3, Xception, MobileNet and DenseNet121 based on magnetic resonance images (MRI) of patients, obtained from the Osteoarthritis Initiative (OAI) database. The Work approach combines two transfer learning methods: classification models from pre-trained CNNs; and support vector machine (SVM) classification models based on features extracted from pre-trained CNNs and the principal component analysis (PCA) technique. Furthermore, in order to increase the prediction accuracy of the trained models for OA classification, an assembly method was studied: the majority vote technique. Finally, the results obtained from the experiment show that the assembly method is capable of increasing the prediction accuracy from 55.3% to 60.6% in the OA classification.

La osteoartritis (OA) és una malaltia comuna a nivell mundial, que afecta especialment els adults majors, causant incapacitat física i un impacte en la qualitat de vida. En el procés de diagnòstic de la OA un metge especialista empra imatges mèdiques per a diagnosticar el seu grau d'avanç a partir de l'anàlisi fisiopatològica de la malaltia. Avui dia, aquesta complexa tasca de diagnòstic és un camp de recerca per a l'aprenentatge automàtic (ML) i la seva forma d'aprenentatge supervisada. En aquest Treball es presenta el desenvolupament de classificadors de ML per a la classificació de OA de genoll, segons l'escala de severitat de Kellgren-Lawrence. Per al desenvolupament dels classificadors es van estudiar diferents xarxes neuronals convolucionals (CNN): VGG16, InceptionV3, Xception, MobileNet i DenseNet121 sobre la base d'imatges de ressonància magnètica (MRI) de pacients, obtingudes des de la base dades Iniciativa de Osteoartritis (OAI). L'enfocament del Treball combina dos mètodes d'aprenentatge per transferència: models de classificació a partir de CNN pre-entrenades; i models de classificació de màquines de vector de suport (SVM) sobre la base de característiques extretes des de CNN pre-entrenades i la tècnica d'anàlisi de components principals (PCA). A més, a fi d'incrementar l'exactitud de predicció dels models entrenats per a la classificació de OA, es va estudiar un mètode d'assembli: la tècnica de majoria de vots. Finalment, els resultats obtinguts de l'experiment demostren que el mètode d'assembli és capaç d'augmentar l'exactitud de predicció des de 55.3% a un 60.6% en la classificació de OA.