Thanh bên bài viết

pdf
Số xuất bản: Số 90-09.2026: Chuyên ngành Khoa học Tự nhiên, Kỹ thuật và Công nghệ
Chuyên mục: Khoa học Tự nhiên, Kỹ thuật và Công nghệ
DOI: 10.70117/hdujs.90.09.2026.1155
Lượt xem 2
Lượt tải xuống 1
Trích dẫn bài báo
Lê, T. T. T., Lê, V. H., & Phạm, T. A. NÂNG CAO HIỆU QUẢ PHÂN LOẠI THOÁI HOÁ KHỚP GỐI BẰNG CNN VỚI DỮ LIỆU MẤT CÂN BẰNG. Tạp chí Khoa học Trường Đại học Hồng Đức, 90(09). https://doi.org/10.70117/hdujs.90.09.2026.1155

NÂNG CAO HIỆU QUẢ PHÂN LOẠI THOÁI HOÁ KHỚP GỐI BẰNG CNN VỚI DỮ LIỆU MẤT CÂN BẰNG

Lê Thị Thanh Thuỷ1, , Lê Văn Hào2, Phạm Thế Anh3
1 Bệnh Viện Y Dược Cổ Truyền Tỉnh Thanh Hóa
2 Trường ĐH Hồng Đức
3 Trường Đại học Hồng Đức

Nội dung chính của bài viết

Tóm tắt

Bài báo nghiên cứu việc nâng cao hiệu quả phân loại mức độ thoái hóa khớp gối từ ảnh X-quang bằng mạng nơ-ron tích chập (CNN) trong điều kiện dữ liệu mất cân bằng. Các phương pháp học chuyển giao trên những mô hình CNN điển hình gồm VGG16, ResNet50 và EfficientNet-B0 được sử dụng và đánh giá trên bộ dữ liệu chuẩn Osteoarthritis Initiative (OAI). Chiến lược gán trọng số lớp được sử dụng nhằm cải thiện khả năng nhận diện các mức độ thoái hóa trung bình và nặng. Kết quả cho thấy hiệu năng phân loại được cải thiện rõ rệt, trong đó EfficientNet-B0 đạt kết quả tốt nhất, cho thấy tiềm năng ứng dụng trong hỗ trợ chẩn đoán lâm sàng.

Từ khóa

CNN, Knee Osteoarthritis, imbalanced data.

Chi tiết bài viết

Tài liệu tham khảo

[1] Y. Zhang and J. M. Jordan (2010), “Epidemiology of osteoarthritis,” Clin. Geriatr. Med., vol. 26, no. 3, p. 355.
[2] M. Fransen, S. McConnell, A. R. Harmer, M. Van der Esch, M. Simic, and K. L. Bennell (2015), “Exercise for osteoarthritis of the knee: a Cochrane systematic review,” Br. J. Sports Med., vol. 49, no. 24, pp. 1554–1557.
[3] D. T. Felson, A. Naimark, J. Anderson, L. Kazis, W. Castelli, and R. F. Meenan (1987), “The prevalence of knee osteoarthritis in the elderly. The Framingham Osteoarthritis Study,” Arthritis Rheum. Off. J. Am. Coll. Rheumatol., vol. 30, no. 8, pp. 914–918.
[4] G. Jones, C. Ding, F. Scott, M. Glisson, and F. Cicuttini (2004), “Early radiographic osteoarthritis is associated with substantial changes in cartilage volume and tibial bone surface area in both males and females,” Osteoarthritis Cartilage, vol. 12, no. 2, pp. 169–174.
[5] D. Bhatia, T. Bejarano, and M. Novo (2013), “Current interventions in the management of knee osteoarthritis,” J. Pharm. Bioallied Sci., vol. 5, no. 1, pp. 30–38.
[6] S. Rani et al. (2024), “Deep learning to combat knee osteoarthritis and severity assessment by using CNN-based classification,” BMC Musculoskelet. Disord., vol. 25, no. 1, p. 817.
[7] S. Iqbal, D. Ali, S. Rafique, K. Bagga, A. U. Rahman, and S. Khan (2025), “Comparative Analysis of Automated Knee Osteoarthritis Severity Classification from X-Ray Images Using CNNs and VGG16 Architecture,” ICCK Trans. Sens. Commun. Control, vol. 2, no. 1, pp. 36–47.
[8] J. H. Kellgren and J. Lawrence (1957), “Radiological assessment of osteo-arthrosis,” Ann Rheum Dis, vol. 16, no. 4, pp. 494–502.
[9] A. S. Mohammed, A. A. Hasanaath, G. Latif, and A. Bashar (2023), “Knee osteoarthritis detection and severity classification using residual neural networks on preprocessed x-ray images,” Diagnostics, vol. 13, no. 8, p. 1380.
[10] A. Rachmad, F. Sonata, J. Hutagalung, D. Hapsari, M. Fuad, and E. M. Sari Rochman (2023), “An Automated System for Osteoarthritis Severity Scoring Using Residual Neural Networks.,” Math. Model. Eng. Probl., vol. 10, no. 5.
[11] T. Tariq, Z. Suhail, and Z. Nawaz (2023), “Knee osteoarthritis detection and classification using x-rays,” IEEE Access, vol. 11, pp. 48292–48303.
[12] Y. Wang, X. Wang, T. Gao, L. Du, and W. Liu (2021), “An automatic knee osteoarthritis diagnosis method based on deep learning: data from the osteoarthritis initiative,” J. Healthc. Eng., vol. 2021, no. 1, p. 5586529.
[13] P. S. Q. Yeoh et al. (2021), “Emergence of deep learning in knee osteoarthritis diagnosis,” Comput. Intell. Neurosci., vol. 2021, no. 1, p. 4931437.
[14] J. Byrd and Z. Lipton (2019), “What is the effect of importance weighting in deep learning?,” in International conference on machine learning, pp. 872–881.
[15] J. M. Johnson and T. M. Khoshgoftaar (2019), “Survey on deep learning with class imbalance,” J. Big Data, vol. 6, no. 1, p. 27.
[16] K. Simonyan and A. Zisserman (2014), “Very deep convolutional networks for large-scale image recognition,” ArXiv Prepr. ArXiv14091556.
[17] K. He, X. Zhang, S. Ren, and J. Sun (2016), “Deep residual learning for image recognition,” in Proceedings of the IEEE conference on computer vision and pattern recognition, pp. 770–778.
[18] M. Tan and Q. Le (2019), “Efficientnet: Rethinking model scaling for convolutional neural networks,” in International conference on machine learning, pp. 6105–6114.