一个高效的CNN手x射线类风湿性关节炎的分类

文摘

手摄影(RA)是一种主要测试检查类风湿性关节炎症的进展在人类骨骼关节。识别的特定阶段类风湿性关节炎是一个困难的任务,因为人类能力定期控制技术。卷积神经网络(CNN)的手中心识别识别复杂的例子。人类大脑的能力在高层工作方式,所以CNN一直计划取决于有机neural-related组织人类模仿它的不可预知的能力。本文相应地介绍了卷积神经网络(CNN)的能力自然熟练掌握手射线照片的质量和预测类从一个广泛的信息收集。CNN繁殖中途层,描述组织的元素,同样出现了。安排的模型中,数据集290摄影图像的利用。结果表明,x射线的手额定的准确性达94.46%的提议的方法。我们的实验表明,该网络灵敏度所观察到的是0.95和特异性发现是0.82。

1。介绍

关节炎症是一种痉挛状态和疼痛在人类的两个或两个以上的骨头连接在一起。关节炎导致疼痛,关节肿胀,关节僵硬,关节功能差。自然健康的关节移动借助组织称为滑和光滑的关节软骨。组织吸收压力和冲击引起的运动和压力由于极端的压力在关节的骨头。这种极端的压力导致软骨破坏的组织进一步导致关节炎。唯一和关节炎的主要原因是关节软骨的退化。关节炎通常分为两种类型:(1)骨关节炎和风湿性关节炎(2)。

在骨关节炎软骨和底层骨退化导致疼痛和僵硬。骨关节炎通常是更常见的在中年的人。另一方面,风湿性关节疼痛是一个煽动性的感染,影响关节。

类风湿性关节痛(RA)是一种免疫系统条件和很可能是最限制类型的挑衅关节疼痛。事先,骨不幸从风湿性关节痛(RA)被认为是不可逆转的。尽管如此,生物专家远离骨不幸与RA的运动(1]。主要意象的发现与RA进步合并骨削弱,缩小的关节,和periarticular骨质疏松,展示建筑的骨头的毁灭。具体来说,骨解体提出功能RA的事件;因此骨解体的评估是非常重要的对于RA患者的基础分析和后评估。

上面提到的程序非常繁琐,在任何情况下,因为他们需要评估的所有可访问的关节和射线照片的脚。此外,它是另外放射科医生和其他相关医护人员很难识别的变化的报告可以脚X-beams理由是发展经常是含蓄的。利用电脑技术来评估RA的量化程度在医学领域因此谨慎。

在过去,一些方法是利用人工神经网络(ANN)、支持向量机(SVM)和遗传算法(GA)的策略。在任何情况下,这些方法将计算充足率突出点的伤害。深刻学习的获得收入的猜测的空间。

总的来说,神经组织列为卷积神经组织(CNN)或深刻学习的神经组织。视觉成像模型的神经组织,有深远的学习类是利用一般。

发展中自然口语处理系统CNN的发展提供了工具。除了可以使用此CNN在医学图像分析等各个领域,音频和语音识别,计算机视觉。

2。动机

在全球范围内,据估计,大约有35 - 70个人患有风湿性关节炎。由于没有显示RA可访问的解决方案,主要围绕当前药物缓解疼痛,不适,刺激减少,缓解或阻止关节损害。阻止不可逆转的关节损害,早期RA的位置是基本。对于一个成功的临床治疗,值得注意的是,感染可以专心地检查。联合危害评估关闭射线照片是大部分时间利用技术观察RA的运动。

伴随询问关于RA尚未回答,使我们进一步探索类风湿性关节炎:(我)什么原因导致风湿性关节炎?它是如何开始的?(2)为什么RA打扰关节的功能吗?(3)在一个人类RA结束吗?如果不是,为什么?

灵感驾驶这样的研究,过去相关的作品意象调查框架不是automized RA的检查按事实属性如年龄因素和不间断的运动RA的行动。没有机械化感知框架的严重性RA阶段看到的形象影响领土像手和膝盖。这类框架利用图像处理的方法来处理图像然后测量胫骨和股骨骨之间的距离作为诊断疾病的身份。沿着这些线路,要求有一个精明的风湿性关节炎症的框架,能刺激人的视觉调查,通常分析风湿性关节疼痛取决于某些突出比如胫骨和股骨骨之间的距离有限而且骨头触头。类风湿性关节炎症发生的由于不受控制的联合刺激,但是现在不知道为什么这个恶化出发了。

除了这个三级病人不会复原。由于长期对RA的治疗,炎症在骨骼创建。错综复杂的增加对年龄因素,有时x光束。一天需要得到治疗。所以我们应该有一些automized框架将有用的特别对RA的结论和运动。

3所示。相关工作

现有的RA计算从基本考虑记录依赖手动确定最重要的代码(2),在某种程度上的情感。ID考虑病人的基本信息基本持久精度与RA和坚定的质量是一个有趣的差事。连接的大部分风湿性关节炎严重性评估研究中心识别手指关节或区分骨解体X-beam图像数据集,而不是超声图像。

到目前为止,专业发展促使显著改善图像处理。无论专业发展和各种设备和测试的可访问性,超声、磁共振成像(MRI),和传统摄影(CR)、CR保持RA的基本成像设备。

核磁共振在调查多个关节的过程需要过度很多时间和成本。超声波是一个客户下属的成像方法,可以测量射气和滑膜变化。恶化可能利用打小,衰减和骨骼稀疏联合评估,是一个非常痛苦和不断恶化的冲突。同样可能导致各种缺陷和功利主义问题的骨头。这些因素通常都以这种方式必须识别一开始阶段。所有的药物,治疗方法和程序,迄今已经历了一点为了减少感染的运动和绘画表现出来。我们可以理解,风湿性关节炎的情况下不确定和治疗是没有发现在这些痛苦的情况下。

理解和进一步研究RA,作者在3,4)建议使用电脑化的关节位置和评价手射线照片。这种方法的主要目的是关节位置和关节边缘的位置。除此之外,它是澄清的时间框架。实验被执行在5手radiographical 16位灰度的图像和2500×2000像素(0.1×0.1毫米)。对这个实验和人工关节轮廓,所有的关节都全面估计。

在[4),作者推荐使用刷新水平集方法编程骨头极限附近射线照片的识别。说战略承诺的提取效果。因为骨骼关节和不同像素的像素的权力在某些领域,该方法未能按预期功能的图像。许多传统策略研究体积超声波和红外成像有详细的伟大的执行在RA识别。深刻的学习变得正常成像领域。

在[5,6),关节空间缩小估计已经非常考虑在RA发展和成就的一个极好的评价。MSGVF部门计算,主要是用于骨骼和不同的CNN结构解体(7- - - - - -9),被认为是一个基本的部分,因为它提供了一个可辨认的证明和RA的评估。生产不同的CNN模型识别RA讨论(8- - - - - -10)迅速给了我们一个新的开始对RA的考试。实验研究都取得了极大的水平使用CNN进行图像处理的帮助下学习网络,增加了卷积和池设计到一个单独的图像数据库。在RA的诊断,改变疾病修饰治疗风湿病的药物(DMARDs)和有机药物使用在10- - - - - -12]。

所表示的写作,约30 - 40%的RA患者(13)不被模范一线治疗中MTX(中14]。2019年,几个重要的逻辑进展是在ML的风湿病的临床使用15- - - - - -20.]。

CNN是利用主要是在成像事业(21]。的作者(22报告的成功利用CNN推进计算机评分的活动关节炎症感染超声波图像。的作者(23)利用X-beams RA患者准备联合,培养深厚的CNN删除评价。快速治疗,早期发现RA患者创造持续的痛苦是临床拟合的危险。Lotsch等人建议可以利用机器学习得到巨大的拱顶RA有用的边界信息,例如,Score-28疾病活动,这些界限可以表现出痛苦不断的创造和水平(24]。

目前实验计算的精确94%25)是对无辜的结果计算准备所包围。保证日期显示的剧团机器学习策略在RA的可靠的ID和疾病的精明和精确的评价(26,27]。

Sumitra Nair et al。28)提出了应用程序根据人工智能肌电图图像设计RA的调查。内核LSK策略是用于调查的肢搬迁在空间29日]。

在以往的考试中,众多的技术区别伤害利用人工神经网络(ANN)等特点,支持向量机(SVM)和遗传算法(GA)。晚,深刻学习获得了收入在整个成像领域。特别是,许多考试揭示了深刻的卓越的执行卷积神经网络(DCNN)的分类器相比,在图像ID (30.]。

曹和米尔斯等人提出了定量评估RA利用体积超声波(31日]。这个计算用于切片(1)3 d骨表面,(2)3 d联合区。他们扩大3 d和2 d骨提取策略使计算更有力的不幸,因为普通的面对发生声轴表面。分离骨表面结合joint-explicit解剖模型利用引入粗限制的联合区域。联合案例部门细化迭代使用概率模型。

3.1。图像分析

最高的质量水平决定潜在的共同伤害是摄影。尽管联合评估摄影的广泛利用,电脑支持表明超声波框架创建安排内部和关节外病理关节空间宽度的肖像鉴定(32)和联合加重评估(33]。此外,半定量的滑膜炎的超声评估严重性协助RA的感染作用决定了在20.,34]。RA评估视为一个形象问题安排(35,36]。

3.2。数据增加

在这个调查,两个RA超声图像数据集是用于组织的准备。的一个数据集包含662张图片MCP患有风湿性关节炎的关节,和其他包含315张图片的PIP关节。培训获得示例数据划分考虑80%,其余为测试。大量的超声波图像不被证明是足够准备的CNN和可能导致过度拟合的主要问题37]。因此,为提高组织的能力,猜测,信息扩张进行测试做准备。在数据的增加,一个可以扩展的准备调整每个类保护信息的名字。扩张的信息我们附带的三种策略。

4所示。预处理和数据规划

对这项工作的发展,图像是来自检查病人。数据需要290 x光照片不同大小的图像。图像数据集的处理在早期切除鼻子和图像大小为100×100。图像然后适当保留出现类似的长宽比是呈现在原始图像的数据集。在表1,我们看到的描述数据集和表2向我们展示了数据的传播。数据集已经被调整图像处理高达100×100和规范他们的价值观。数据集分为训练数据集和测试数据集。75%的图像被用于训练模型和图片25%是用于测试模型。

5。方法

5.1。系统架构

识别RA病例与指定的结果在其他受欢迎的策略,提出了工作改变了监管CNN组织的基本设计。提出了CNN模型不限制数量的层,可以利用;它能增强履行数量问题的兴趣。此外,中间卷积层使用不同大小的层。图1显示了该模型的通用设备工程。CNN最近准备提出图像的大小28×28扩展层的大小与初始的亮点。池是用于减少,通过两个阶段,从卷积创建的图像层。此外,图像平滑和照顾的方法称为多层感知(MLP)。这里,一层的图像进一步处理是完全相关的。终于,乙状结肠分类器给了我们一个图像的可能性。

标准神经组织增加过度拟合的问题。再说,CNN一阵优势社区品质的图像;例如它管理输入像素紧邻以及远。在这个实验,CNN是感知不同的图像依赖于图像的属性。

卷积网络用于我们的实验不仅是一个深刻的神经组织和一些秘密层。它是一个流行的组织,复制图像是如何破译和回忆的画面。因此,对专家来说是极其困难的处理这个想法在他们第一次聚会。承认是战略安排图像。在任何情况下,准备自然图像直接形象承认不会创建理想的执行。是明智的,一个图像对比,预处理图像。进一步的质量形象突出,利用不同的图像处理过程。图像预处理的信息。信号被删除的元素的安排和利用信息。这一点的神经组织接收图像的信息,并随后安排。

拔神经组织的组件包括卷积和汇集集的几层。卷积层处理图像和重新利用卷积的活动。它同样被视为工作的计算机计算。相邻像素到一个像素合并利用池层最终减少图像测量。同时事先与二维图像卷积的行为和池层更容易被理解在一个二维平面。这是一个重要的对比在其他神经组织和回旋网。

事先说明分组的工会组织和提取组织。准备的技术是用于试验计算负载的两层。卷积的池层有多个层集中安排在一个堆栈紧随其后。分组网络通常利用一个正常的不同神经组织秩序。

5.2。褶积层

卷积层是用来使新叫做突出图像地图。能力地图强调的令人惊讶的部分主要形象。而不是信息层、卷积层措施相当特别的方式输入,不使用连接负载和加权求和;再一次,这一层利用过滤器改变图像。这些被称为空间通道。提供贡献的道路图像的卷积渠道给地图的能力。二维卷积层网络渠道。他们通常可以为5×5或3×3的网络。最近的应用程序甚至利用1×1频道。卷积,停留在二维平面上,往往是一个极端的周期来表达文本。 Be that as it may, the understanding and computation measures are simpler than they appear. The interaction of convolution is the expansion of the climate items situated in the same places of the two networks.

品质可以在地图的基本元素,相同的卷积的基本活动,依靠图像坐标与卷积通道框架,在测量直到组件重用无需更改指导给定通道产生的。

到最后,元素映射是由当卷积层工作卷积频道信息的图像。熟练的卷积渠道选择属性卷积层中抽身出来。因此,视卷积通道应用属性由卷积层变化。卷积频道创建的组件映射是照顾的协助下开始工作前的收益率层产生。层的制定强调卷积神经网络类似的标准。尽管最极端的当前应用程序利用ReLU突显出,在乙状结肠tanh能力,也包括在内。通常使用移动电脑信号准备地区正常通道可能是一个主要类型的卷积渠道评估。

5.3。汇聚层

减少图像的测量池的层,因为它提出了相邻像素的组合成一个委托的一个特定的图像区域。池是一个标准的技术技术相比其他不同图像框架做准备。选择池像素的图像并设置代表价值,从框架选择相邻的像素,像素的数量合并的关系问题。

定期,代理自尊是不管行或指定像素的均值。在这一点上它可能是一个二维周期,池层测量是惊人的简单。在一个数值策略中,池策略可以表示为衡量卷积的一种手段。卷积的波动从卷积层通道是固定的,所以卷积的空间并不包括在内。

中给出的建议模型产生的区域将依靠这个。池组成的层不可预测和转移文物。例如,池层可能构建一个猫的地位,这可能会集中在图像。池图像大小越来越减少的阶段,特别重要的是提高计算过载和处理过度拟合。

5.4。完全连接层

完全连接层被认为是一旦池和卷积层补充道。在一个完全连接层,我们将神经元连接到所有的安排过去的层。简单晶格改进完成后连同一个倾向的平衡。减少的数量限制为管理过度拟合问题,辍学工作完全是利用内部相关层。过度拟合将在完全当至少两个神经元连接层通常识别类似的品质;神经元是创建并发转化或协同依赖性。

在这种情况下,一个辍学工作应用于减少俯瞰无果收集这错综复杂的神经元在小时的准备阶段。

利用辍学工作的弱点之一就是实现理想的联盟阶段,更多的关注是必需的。最后,认识到数字准确,乙状结肠分类器是利用。加载需要改变故意的开始加载,随意性和CNN模型应该执行一次。我们认为接近期望的工作,这是一个彻头彻尾的叉有点微方法估算差异和有效的错误。

图2显示了自动分类的框架的x射线。

5.5。图像分类和建模

图片顺序的模型依赖于神经组织的深刻的卷积如下:(1)输入:输入一串n图片,n任何大的正数;其中的一个k每个图片描述标签是马克。(2)。学习:这个阶段通常被称为分类器准备或学习模型。这一阶段的任务是要实现每个类像什么。(3)评价:分类器分配标志图片,没有看到来评估分类的准确性。我们像标志着分类器预测与图片的真实姓名。毫无疑问,特征标志着与真正的图片分组名称分类器预测是可行的。

6。理解功能学习

当一个特定的组件的特点是,元素是通过卷积任务中抽身出来。CNN,突显出的数量和特定组件的想法不是提前为特征。通过这种方式,通过卷积的互动,没有能力确定。在转发扩散,卷积猜测能力和顺序back-engendering努力解决推定。

各部分完成后准备是平衡利用一个错误最小化的策略。卷积试图积极避免每个属性无法选择,直到这种安排已经完成。在提出的模型中,模糊的手X-beam品质除以卷积层,1层有20份。每个能力的基本存在看到后准备。

卷积层部分(图一)所示3和池层产量部分(b)相同的图。

7所示。实验结果

对于执行CNN模型,利用MATLAB®编程云服务。设置数据集的建立了约218 radiographical讲义的图像61标准和120 RA。在这一点上,72片,包括32标准和40 RA测试,用于测试系统。图4(一)显示原始图片,图4 (b)显示输入的图片,和图4 (c)显示了特色的照片。对我们提出的模型中,块精确和不幸在众多周期中提供数据5(一个)和5 (b)。

很明显,准备精确(蓝线)和批准精度(黑色线)方法在制备周期。损失次要情节同样表明准备不足和缺乏批准较低和衰退期间交互。拟议的模型报告改善准确性与CNN模型相比之前执行。流行的MATLAB@2020设计深度学习应用程序是用于做这个。

我们的模型是相对于其他标准支持向量机等分类器和安和该模型提供了一个更好的分类精度。

8。比较的方法

确定分类器是关键元素的影响发现的程序精确手X-beam依赖突出提取的类似的策略为不幸的工作由机器。几个分类器的结果精确的分组是本文中讨论。表3给出了影响特征不同的标准分类器的可行性。这些分类器线性支持向量机和安。

显示结果表明,CNN的准确性分类器在训练阶段和测试集是高于不同分类器显示了一个值得注意的精度是通过提出的方法,即。美国有线电视新闻网。首先,它需要一个巨大的额外的空间,留出大量的努力来衡量,并使用大量的计算力。由于这个原因,所有的把准备需要对比照片。在本文中,重点给出越多估计显示能力实际上执行有效的多。作为一般规则,CNN有一定的限制:在模型的训练需要大量的时间,安排新的测试信息快速模型的训练完成后。

图6显示了诊断精度图算法。图7显示了灵敏度和图8显示了精度。

8.1。比较与CNN Lenet

CNN Lenet和CNN比较发现的准确性。通过训练两个网络发现CNN比Lenet如图所示9。

9。结论

RA的决定是由评估实验室报告和成像手X-beam尤其如此。摄影是一种有效地成像技术可用;专家利用摄影测量RA发现凌很重要,同时它是一个单调乏味的交互。RA找到永久性畸形的早期治疗中发现RA可以阻断了。所以机械化技术区分RA变得有用。在这次考试,我们准备和评估CNN和CNN Lenet模型。同样,附近检查完成后与SVM和GRNN神经组织。我们提出一个框架,区分RA没有广泛的射线照相手X-beam预处理的图片。

该模型着重谈到了编程特性的手X-beam类风湿性关节炎患者的信息图片数据集的290张照片。该模型提出了一种模型大约有95%的准确性。该模型利用获得熟练用手X-beam包括结果。典型的程序识别和不寻常的条件是有效而且与专家确认。拟议的模型对比和比较不同的受欢迎的CNN方法和报告准确性提高。另外对比,不同的分类器。该战略包括改进的正确性和准确性。

在未来我们希望增加RA的数据集大小的预测阶段过渡之前和严重的阶段。

数据可用性

数据请求到相应的作者。

的利益冲突

作者宣称没有利益冲突。

引用

1. 张x邵,h . j . r . Rajian et al .,“125标黄金纳米靶向成像的炎症,”ACS Nano,5卷,不。11日,第8973 - 8967页,2011年。视图:出版商的网站|谷歌学术搜索
2. s l·托马斯·c·j·爱德华兹,l . Smeeth c·库珀和a . j .大厅,“有多准确诊断类风湿性关节炎与青少年特发性关节炎惯例研究数据库?”关节炎与风湿病卷,59号9日,第1321 - 1314页,2008年。视图:出版商的网站|谷歌学术搜索
3. y霍,k l . Vincken m . a . Viergever和f p . Lafeber”自动联合检测风湿性关节炎手射线照片,”2013年IEEE 10日国际研讨会上生物医学成像IEEE,页125 - 128年,旧金山,美国,2013年4月。视图:出版商的网站|谷歌学术搜索
4. 女孩h . g . Langs p Peloschek, f . Kainberger”自动量化类风湿性关节炎的关节空间缩小和侵蚀”IEEE医学成像,28卷,不。1,第164 - 151页,2008。视图:出版商的网站|谷歌学术搜索
5. z Bartosz”手x光照片分析和改善关节空间位置的图像解释,“Schedae Informaticae,17/18卷卷,2009年。视图:出版商的网站|谷歌学术搜索
6. s . Bhishikar“自动检测RA用手x射线,”学报IEEE国际会议上提出在电子、通信和计算机技术印度浦那、ICAECCT), 2016年12月。视图:谷歌学术搜索
7. 村上,k .波多野j . Tan h . Kim和t .青木,“自动识别的类风湿性关节炎骨侵蚀的手射线照片深卷积神经网络基础上,“多媒体工具和应用程序,卷77,不。9日,第10937 - 10921页,2018年。视图:出版商的网站|谷歌学术搜索
8. m . Betancourt-Hernandez g . Viera-Lopez, a . Serrano-Munoz”自动诊断RA使用卷积nueral网络,从手射线照片”Articulus原件,35卷,不。1,2018。视图:谷歌学术搜索
9. k . Oretan h . Erbay, h . h . Maraş”检测RA的射线照片使用CNN,手”临床风湿病学39卷,第974 - 969页,2019年。视图:出版商的网站|谷歌学术搜索
10. A . j . Dinu r . Ganesan f·约瑟夫和诉,巴拉”研究深度诊断疾病的机器学习算法,”国际Jornel应用工程研究,12卷,不。17日,第6346 - 6338页,2017年。视图:谷歌学术搜索
11. H.-C y . Kim。哦,j . w .公园et al。”炎性关节疾病的诊断和治疗。”骨盆臀部卷,29号4、211 - 222年,2017页。视图:出版商的网站|谷歌学术搜索
12. j·s·Smolen和r . b . m . Landewe”建议的管理类风湿性关节炎与合成和生物疾病修改风湿性关节炎药物,”风湿性疾病上,卷73,不。3、492 - 509年,2013页。视图:谷歌学术搜索
13. c . Salliot和d·范德Heijde“长期安全的甲氨蝶呤单药治疗类风湿性关节炎患者:一个系统的文献研究,“风湿性疾病上,卷68,不。7,1100 - 1104年,2009页。视图:出版商的网站|谷歌学术搜索
14. j . s . Smolen”见解类风湿性关节炎的治疗:一个范式在医学上,“自身免疫杂志文章ID 102425卷,110年,2020年。视图:出版商的网站|谷歌学术搜索
15. y关、张h . d . Quang et al .,“机器学习来预测抗肿瘤坏死因子药物反应的风湿性关节炎患者通过整合临床和遗传标记,”关节炎与风湿病学,卷71,不。12日,第1996 - 1987页,2019年。视图:出版商的网站|谷歌学术搜索
16. d .植物,m . Maciejewski美国史密斯et al .,“分析基因表达的生物标志物作为分类器类风湿性关节炎患者的甲氨蝶呤nonresponse”关节炎与风湿病学,卷71,不。5,678 - 684年,2019页。视图:出版商的网站|谷歌学术搜索
17. m·考尔和r·库玛丽”,自动化测试工具的比较研究:测试完成并快速测试pro,”国际期刊的计算机应用程序,24卷,不。1、1 - 7,2011页。视图:出版商的网站|谷歌学术搜索
18. a·贾斯瓦尔n . Gianchandani d·辛格诉Kumar和m·考尔”分类的COVID-19感染患者使用基于DenseNet201深转移学习,”生物分子结构和动力学杂志》上,1 - 8,2020页。视图:出版商的网站|谷歌学术搜索
19. j·m·弗兰克斯诉Martyanov g . Cai et al .,“机器学习分类器对系统性硬化患者分配个人内在分子子集,”关节炎与风湿病学,卷71,不。10日,1701 - 1710年,2019页。视图:出版商的网站|谷歌学术搜索
20. m . k . j . Kim金,即Adamopoulos,和i Tagkopoulos”纲要滑膜签名标识类风湿性关节炎患者的病理特征预测治疗反应,”临床免疫学卷,202年,页1 - 10,2019。视图:出版商的网站|谷歌学术搜索
21. b·斯托尔”,使用人工智能成像在风湿病学-当前状态和未来的视角,“限制型心肌病开放》第六卷,没有。1,2020。视图:出版商的网站|谷歌学术搜索
22. j·k·h·安徒生彼得森j·s·m . s .劳尔森et al .,”神经网络自动评分关节炎疾病活动的超声图像,”限制型心肌病开放,5卷,不。1,文章ID e000891, 2019。视图:出版商的网站|谷歌学术搜索
23. m . t . Hirano Nishide:野中郁次郎et al .,“深度学习模型的开发和验证的得分风湿性关节炎的影像学的手指关节破坏,”风湿病在实践中进步,3卷,不。2篇文章ID rkz047 2019。视图:出版商的网站|谷歌学术搜索
24. l . j . Lotsch Alfredsson, j . Lampa”Machine-learning-based风湿性arthritis-related注册表数据中的知识发现识别预测持续的疼痛,“疼痛,卷161,不。1,第126 - 114页,2020。视图:出版商的网站|谷歌学术搜索
25. r·j·卡罗尔a·e·埃勒镇和j·c·丹尼,“天真的电子健康记录表型鉴定为类风湿性关节炎,“AMIA物质协会Proc卷,2011年,第196 - 189页,2011年。视图:谷歌学术搜索
26. c·h·费尔德曼,k .吉田徐et al .,“补充索赔数据与电子医疗记录改善类风湿性关节炎疾病活动的评估和分类:马赫,”ACR开放风湿病学,1卷,不。9日,第559 - 552页,2019年。视图:出版商的网站|谷歌学术搜索
27. b . Norgeot b s Glicksberg l . Trupin et al .,“深度学习模型的评估基于电子健康记录数据预测类风湿性关节炎患者的临床结果,“《美国医学会杂志》网络开放,卷2,不。第三条ID e190606, 2019。视图:出版商的网站|谷歌学术搜索
28. 美国美国Nair, r .法语,d . Laroche和e·托马斯,“机器学习算法的应用从RA肌模式的分析,“IEEE Nueral系统和Rehabitalization工程事务,18卷,不。2、174 - 184年,2010页。视图:出版商的网站|谷歌学术搜索
29. m . Backhaus t . Kamradt d沙岩et al .,“手指关节的关节炎:一个全面的方法比较传统的摄影,闪烁摄影,超声波,对比度增强磁共振成像,”关节炎与风湿病,42卷,不。6,1232 - 1245年,1999页。视图:出版商的网站|谷歌学术搜索
30. a . Krizhevsky i Sutskever, g·e·辛顿“Imagenet分类与深卷积神经网络,”先进的神经信息处理系统,25卷,不。2、1097 - 1105年,2012页。视图:出版商的网站|谷歌学术搜索
31. 曹k·d·米尔斯,“使用volerteic超声定量评估RA,”IEEE事务在生物医学工程,卷62,不。2、2016。视图:谷歌学术搜索
32. a . Pfeil d . m .还建议,a Hansch et al .,“计算机辅助关节空间分析的有效性评估的风湿性关节炎,“脊柱关节骨,卷80,不。4、380 - 385年,2013页。视图:出版商的网站|谷歌学术搜索
33. m .大厅,s·多尔蒂,p·考特尼,k . Latief w·张,和m·多尔蒂,“滑膜病理发现超声波与射线的严重性膝骨关节炎症状多,“骨关节炎和软骨,22卷,不。10日,1627 - 1633年,2014页。视图:出版商的网站|谷歌学术搜索
34. r . Cupek和a . Ziębiński”自动评估关节滑膜炎活动从医学超声和能量多普勒检查使用图像处理和机器学习方法,“Reumatologia /风湿病学,5卷,不。5,239 - 242年,2016页。视图:出版商的网站|谷歌学术搜索
35. a . Krizhevsky i Sutskever, g·e·辛顿先进的神经信息处理系统25卷,麻省理工学院出版社、剑桥、马,美国,2012。
36. p . Sermanet d特征,x, m·马蒂厄·r·费格斯,和y Lecun (“OverFeat:综合识别、定位和检测使用卷积网络,”2013年,http://arxiv.org.abs/1312.6229。视图:谷歌学术搜索
37. g·p·张,”神经网络分类:一项调查,”IEEE系统,人,控制论,一部分C(应用程序和评论),30卷,不。4、451 - 462年,2000页。视图:出版商的网站|谷歌学术搜索

版权

版权©2021 Gitanjali s交配等。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。