基于内容检索（CBIR）的混合模型在膝关节骨关节炎诊断中的应用研究

第一作者及机构
本研究由来自土耳其、韩国和沙特阿拉伯的多国研究团队合作完成。主要作者包括：Pinar Gundogan Bozdag（土耳其Elazig Fethi Sekin市医院放射科）、Hürşit Burak Mutlu（土耳其Malatya Turgut Özal大学计算机工程系）、Mucahit Karaduman（土耳其Malatya Turgut Özal大学软件工程系）等。研究发表于《Scientific Reports》期刊（2025年，第15卷，文章编号29827）。

学术背景
膝关节骨关节炎（Knee Osteoarthritis, OA）是一种以软骨退化为特征的慢性疾病，临床表现为疼痛和功能障碍。传统诊断依赖X光成像和Kellgren-Lawrence（KL）分级系统，但早期诊断困难且依赖医师经验。随着医疗数据量激增，深度学习模型在大规模数据检索中存在效率不足的问题。为此，本研究提出一种基于内容检索（Content-Based Image Retrieval, CBIR）的混合模型，结合深度学习与纹理特征提取技术，旨在提高膝关节OA的诊断效率和准确性。

研究流程
1. 数据集构建
研究使用公开的膝关节X光数据集，包含5个KL分级类别（正常、可疑、轻度、中度和重度），共1650张图像。图像分辨率分为300×162像素（1465张）和640×161像素（185张），未进行预处理以保持原始数据真实性。

1. 特征提取与融合

   • 多模态特征提取：
     
     • Darknet53：用于提取高层语义特征，优化后特征向量维度为600。
       
     • 方向梯度直方图（HOG, Histogram of Oriented Gradients）：捕获边缘和形状结构，优化后维度为400。
       
     • 局部二值模式（LBP, Local Binary Patterns）：量化局部纹理信息，优化后维度为300。
       
   • 特征选择与降维：通过邻域成分分析（NCA, Neighborhood Component Analysis）剔除冗余特征，最终融合特征向量维度为1300。

2. 相似性度量与检索
   采用7种距离度量方法（如欧氏距离、余弦相似度、PSNR等）计算查询图像与数据库图像的相似性。通过11点插值精确率-召回率（P-R）曲线评估性能，重点关注5图和10图检索场景。

3. 对比实验
   与HOG、LBP、AlexNet、VGG16、Darknet53和MobileNetV2等模型对比，验证混合模型的优越性。

主要结果
1. 特征融合效果
混合模型在5图检索中平均精度（AP）达0.95039（PSNR度量），显著高于单一模型（如HOG的0.93451、LBP的0.9246）。10图检索时AP为0.88477，仍保持最高性能。
2. 距离度量对比
PSNR在纹理方法（HOG/LBP）中表现最佳，而CNN架构（如MobileNetV2）更依赖余弦相似度。
3. 类别区分能力
以重度OA为例，5图检索全部正确（AP=1），10图检索中8图正确，误检为可疑和轻度各1例，显示对相近分级的区分能力。

结论与价值
1. 科学价值
- 提出首个结合Darknet53、HOG和LBP的CBIR混合模型，通过多模态特征融合解决OA分级中的语义鸿沟问题。
- 验证NCA在医学图像特征优化中的有效性，为高维数据降维提供新思路。
2. 应用价值
- 临床辅助诊断：医生可通过检索相似病例图像快速验证分级结果，缩短诊断时间。
- 技术普适性：模型无需重新训练即可适应新数据，适合资源有限的医疗场景。

研究亮点
1. 方法创新
- 首次将CBIR技术应用于膝关节OA分级，突破深度学习模型在大规模数据中的效率瓶颈。
- 融合纹理与深度特征，兼顾局部细节与全局语义信息。
2. 性能优势
- 在1650张图像的测试中，混合模型AP值超越所有基线模型（较次优模型提升1.7%）。
- 计算效率高，在常规硬件（Intel i5/8GB RAM）上实现实时检索。

其他价值
- 开源数据：研究使用公开数据集（Mendeley Data），增强可重复性。
- 跨中心合作：为后续多中心研究奠定技术基础，未来可扩展至MRI等模态。

局限性
当前模型依赖单一成像技术（X光），未来需纳入更多临床变量（如患者病史）以提升泛化能力。