基于卷积神经网络与任务对齐路径聚合特征融合的膝骨关节炎X射线影像精准检测研究

　　本研究针对膝骨关节炎（KOA）X射线影像存在特征分布不一致、正负样本失衡导致检测精度低的问题，提出基于EfficientNetB4的TPAFFKnee模型，通过路径聚合网络与EIoU损失函数优化，在1650例样本上实现93% mAP，显著提升KOA分级检测与病灶定位准确性，为临床精准诊疗提供自动化解决方案。

　　

背景：膝骨关节炎（Knee Osteoarthritis, KOA）是一种退行性关节疾病，临床常通过X射线影像基于Kellgren-Lawrence（KL）分级标准进行评估。尽管KL标准已被广泛采用，但其模糊性易导致患者误解病情，进而引发过度治疗或延误诊疗，也为精准手术决策带来挑战。此外，膝部X射线影像的低分辨率与特征分布不一致性问题阻碍了数据驱动技术的应用，正负样本间的失衡进一步降低了检测精度。

目的：本研究旨在开发一种基于深度学习的模型——任务对齐路径聚合特征融合膝骨关节炎检测模型（Task-aligned Path Aggregation Feature Fusion For Knee Osteoarthritis Detection, TPAFFKnee），通过改进传统方法的局限性提升KOA检测准确率，为患者提供更合理的治疗方案，并辅助医生进行精准手术规划。

方法：研究团队基于EfficientNetB₄网络构建TPAFFKnee模型，引入路径聚合网络（Path Aggregation Network）以增强特征提取能力，并将全卷积网络（Fully Convolutional Network, FCN）替换为任务对齐检测头（Task-aligned Detection Head）。此外，采用高效交并比损失函数（Efficient Intersection over Union Loss, EIoU Loss）替代原损失函数，以缓解正负样本不平衡问题。

结果：实验结果表明，该模型能依据KL分级标准准确识别KOA类别与病灶位置，在来自多家医院的1650张膝骨关节炎X射线图像数据集（Mendeley KOA dataset）上达到93%的平均精度均值（mAP）。其中K₂、K₃和K₄等级的mAP分别达到98.6%、98.5%和99.6%。与Faster R-CNN、SSD、RetinaNet、EfficientNetB₄和YOLOX等主流模型相比，本算法将检测mAP提升了4.3%至22.7%。

结论：本研究突显了EfficientNetB₄网络在KOA检测中的重要性。TPAFFKnee模型为提升KOA检测精度提供了有效方案，并为医学应用中标准化KL分级提供了可行路径。未来研究可整合更多临床数据，同时通过数据驱动的自动化解决方案推动医疗健康服务的整体优化。