Classificação Binária de Imagens de Ressonância Magnética de Osteoartrite com o Modelo R3D_18 Modificado

• Thalles C. Fontainha CEFET/RJ
• Felipe da R. Henriques CEFET/RJ
• Amaro A. Lima CEFET/RJ
• Gabriel M. Araujo CEFET/RJ
• Ricardo de S. Tesch UNIFASE

DOI: https://doi.org/10.5753/sbcas.2025.7629

Resumo

Este trabalho propõe um modelo de rede neural convolucional 3D derivado da arquitetura R3D_18 para classificar imagens de ressonância magnética (MRI) do joelho, diferenciando imagens normais e anormais associadas à osteoartrite. Utilizando o dataset OAI-MRI-3DDESS, o modelo foi treinado com validação cruzada e oversampling para compensar o desbalanceamento de classes. A abordagem visa aprimorar a precisão diagnóstica e reduzir a sobrecarga dos profissionais, explorando as informações volumétricas das imagens. Os experimentos indicaram desempenho robusto, com acurácia superior a 86% e AUC próximo a 0,92, mostrando o potencial do método para aplicações clínicas.

Referências

Al Turkestani, N., Li, T., Bianchi, J., Gurgel, M., Prieto, J., Shah, H., Benavides, E., Soki, F., Mishina, Y., and Fontana, M. (2024). A comprehensive patient-specific prediction model for temporomandibular joint osteoarthritis progression. Proc. Natl. Acad. Sci. (PNAS), 121(8):e2306132121.

Berrimi, M. (2021). OAI-MRI-3DDESS Dataset. Acesso em: nov. 2024. Disponível em: [link]. Dataset público de ressonância magnética 3D do joelho.

Goodfellow, I., Bengio, Y., and Courville, A. (2016). Convolutional networks. MIT press Cambridge.

Guida, C., Zhang, M., and Shan, J. (2021). Knee osteoarthritis classification using 3D CNN and MRI. Applied Sciences, 11(11):5196.

Hara, K., Kataoka, H., and Satoh, Y. (2018). Can spatiotemporal 3D CNNS retrace the history of 2D CNNs and ImageNet? In Proc. 2018 IEEE/CVF Conf. CVPR, pages 6546–6555, Salt Lake City, USA.

Hosseini-Asl, E., Keynton, R., and El-Baz, A. (2016). Alzheimer’s disease diagnostics by adaptation of 3D convolutional network. In Proc. 2016 IEEE Intl. Conf. Img. Process. (ICIP), pages 126–130, Phoenix, USA.

Kohavi, R. (1995). A study of cross-validation and bootstrap for accuracy estimation and model selection. In 14th Intl. Joint Conf. AI - IJCAI 1995.

Redmon, J., Divvala, S., Girshick, R., and Farhadi, A. (2016). You only look once. In Proc. 2016 IEEE/CVF Conf. CVPR, pages 779–788, Las Vegas, USA.

Ronneberger, O., Fischer, P., and Brox, T. (2015). U-net: Convolutional networks for biomedical image segmentation. In Proc. 18th Intl. Conf. Med. Img. Comp. & Comp.-Asst. Interv. – MICCAI 2015, pages 234–241, Munich, Germany.

Siouras, A., Moustakidis, S., Giannakidis, A., Chalatsis, G., Liampas, I., Vlychou, M., Hantes, M., Tasoulis, S., and Tsaopoulos, D. (2022). Knee injury detection using deep learning on mri studies: a systematic review. Diagnostics, 12(2):537.

Zhong, J., Yao, Y., Khan, S., Xiao, F., Cahill, D. G., Griffith, J. F., and Chen, W. (2022). Knee Osteoarthritis: Automatic Grading with Deep Learning. In Proc. 2022 ISMRM & ISMRT Annu. Mtg. Expo.