基于全局分组坐标注意力的数字化放射股骨头坏死分类模型OA

目的本研究旨在建立一种有效的术后股骨头坏死评估方案,特别关注股骨头数字化放射图像的复杂多样性。股骨头坏死是一种严重的骨科疾病,早期诊断对患者的预后至关重要。传统的影像学评估方法往往依赖于医生的专业判断,容易受到主观因素的影响,且对图像特征的提取和分析能力有限。因此,本文提出了一种基于深度学习的股骨头坏死分类模型,以提高模型对股骨头DR图像识别的准确度及计算效率。方法本研究采用轻量型网络MobileViT作为主干网络,结合了卷积神经网络(convolutional neural network,CNN)和视觉变换器(Vision Transformer)的优点,以有效处理高维图像数据。为增强模型的特征提取能力,在MV2块前嵌入了Squeeze-and-Excitation Networks(SeNet)注意力机制,通过自适应调整通道权重,帮助模型聚焦于重要特征。此外,课题组设计了全局分组坐标注意力(global grouped coordinate attention,GGCA)模块,使模型能够捕捉多维度的全局信息并进行特征增强。最后,采用基于L1非结构化剪枝策略来降低计算成本,通过去除冗余参数以提高模型的计算效率。结果本文选取安徽省立医院总院及南区因股骨颈骨折接受闭合复位和空心螺钉复位的470例患者临床资料作为数据集,进行消融实验和对比实验,结果显示该模型的准确率达到94.57%,非零参数量为6.64×10^(5),与改进前相比参数量降低30.14%,与常用CNN模型AlexNet、MobileNet、ShuffleNet相比,准确率分别提高10.24%,16.26%,21.98%。结论本文提出的基于深度学习的股骨头坏死分类模型在术后股骨头坏死检测中具有较好的性能,是协助医生提高工作效率的一种有效尝试。通过结合轻量型网络架构、注意力机制和剪枝策略,该模型不仅提高了诊断准确性,还降低了计算成本。