Prediction of knee osteoarthritis grade using deep residual networks

This thesis explores the application of deep learning techniques, specifically employing a residual neural network, to predict Kellgren-Lawrence grade (KLG) in osteoarthritis patients using magnetic resonance images (MRI). Taking advantage of the characteristics of images, the proposed model integrates the MRI slice number and the use of segmented images. Unlike conventional approaches, we adopt a one-to-one image processing strategy, so our model takes each slice individually as input and returns a prediction for each of them to enhance the model’s ability to focus on specific slices and increase the results’ interpretability. Furthermore, results on real-world data corroborate the idea that the segmented image can provide accurate prediction by allowing our network to focus on the crucial parts of the knee. The empirical results show the model’s promising performance in predicting KLG, demonstrating its potential for accurate and detailed diagnosis of osteoarthritis. This research contributes to advancing studies on the early prediction of osteoarthritis by proposing an effective and interpretable deep-learning framework for osteoarthritis assessment.

Questa tesi esplora l’applicazione di tecniche di deep learning, in particolare impiegando una residual neural network per predire il grado di Kellgren-Lawrence (KLG) in pazienti affetti da osteoartrite, utilizzando immagini ottenute tramite risonanza magnetica (RM). Sfruttando le caratteristiche delle immagini, il modello proposto, chiamato MMRI-SE-ResNet, integra il numero della slice della risonanza magnetica e l’uso di immagini segmentate. A differenza degli approcci convenzionali, è stata adottata una strategia di elaborazione specifica per la singola slice, per cui il nostro modello prende in ingresso ogni slice singolarmente come input e restituisce una predizione per ciascuna di esse per migliorare la capacità del modello di concentrarsi su slice specifiche e aumentare l’interpretabilità dei risultati. Inoltre, i risultati ottenuti su dati reali confermano che l’immagine segmentata possa fornire una previsione più accurata, consentendo alla rete MMRI-SE-ResNet di concentrarsi sulle parti cruciali del ginocchio. I risultati empirici dimostrano prestazioni promettenti del modello nella previsione del KLG, confermando il suo potenziale per una diagnosi accurata e dettagliata. Questa ricerca contribuisce all’avanzamento degli studi sulla predizione preventiva dell’osteoartrite proponendo un framework di deep-learning efficace e interpretabile per l’osteoartrite