СРАВНЕНИЕ АРХИТЕКТУР СВЕРТОЧНЫХ НЕЙРОННЫХ СЕТЕЙ ДЛЯ АВТОМАТИЧЕСКОЙ КЛАССИФИКАЦИИ РАЗРЫВА ПКС ПО МРТ КОЛЕННОГО СУСТАВА

Аннотация

Актуальность. Разрывы передней крестообразной связки (ПКС) относятся к числу наиболее клинически значимых травм коленного сустава, а несвоевременная или неточная диагностика может приводить к прогрессирующей дегенерации сустава. Магнитно-резонансная томография (МРТ) является основным неинвазивным методом оценки состояния связок, однако интерпретация изображений требует значительных временных затрат и высокой квалификации, а также подвержена влиянию усталости и когнитивных искажений. Цель. Систематически оценить и сравнить четыре архитектуры сверточных нейронных сетей (CNN), обученных с нуля, для трехклассовой классификации повреждений ПКС: норма, частичный разрыв и полный разрыв. Методы. Использован открытый набор данных KneeMRI, включающий 736 МРТ-объемов коленного сустава в сагиттальной плоскости. Каждый трехмерный объем преобразовывался в двумерное изображение путем извлечения центрального сагиттального среза с последующим масштабированием до 128 × 128 пикселей. Модели ResNet-18, MobileNetV2, EfficientNet-B0 и MobileNetV4_small обучались в единой конфигурации с использованием оптимизатора AdamW, косинусного расписания скорости обучения, функции потерь на основе кросс-энтропии и взвешенной случайной выборки для компенсации дисбаланса классов. Каждая модель обучалась с пятью независимыми случайными инициализациями. Результаты. Наилучший результат показала ResNet-18: F1-score - 0,6637 ± 0,0351, AUC - 0,6622 ± 0,0136. Далее следовали EfficientNet-B0 с F1-score 0,6334 ± 0,0457, MobileNetV4_small - 0,6241 ± 0,0398 и MobileNetV2 - 0,6184 ± 0,1095. Практическая значимость. Исследование предоставляет воспроизводимый ориентир для выбора архитектуры в задачах медицинской визуализации при ограниченном объеме данных. Полученные результаты показывают, что при обучении с нуля способ представления входных данных и наличие предварительно обученных признаков могут иметь большее значение, чем выбор базовой архитектуры. Для достижения клинически надежных результатов необходимо учитывать трехмерный пространственный контекст, использовать предварительное обучение и проводить внешнюю валидацию.