Prédiction de l'ostéoporose en utilisant VGG16 et ResNet50

La faible masse osseuse et la dégradation structurelle sont les caractéristiques de l'ostéoporose, un trouble qui augmente le risque de fractures, notamment chez les personnes âgées. Pour une intervention rapide et la prévention des fractures, une identification précoce est essentielle. Cependant, l'ostéoporose n'est souvent pas détectée avant les stades avancés par les techniques diagnostiques actuelles. Afin de surmonter cette difficulté, des chercheurs proposent d'utiliser l'apprentissage automatique pour identifier automatiquement l'ostéoporose précocement dans les radiographies. Utilisant deux architectures avancées de réseaux de neurones convolutionnels, ResNet50 et VGG16, leur système a été préentraîné sur des ensembles de données étendus puis affiné sur un ensemble de radiographies soigneusement sélectionnées. Lors de l'identification d'images comme suggestives d'ostéoporose ou de densité osseuse normale, le modèle ResNet50 a montré une précision de 98 %, tandis que le modèle VGG16 a atteint une précision de 78 %. En combinant ces modèles et en utilisant des méthodes sophistiquées de segmentation d'images, le système détecte les signes précoces d'ostéoporose avec une précision globale de 96 %. Cette méthode automatisée a le potentiel de réduire l'incidence des fractures liées à l'ostéoporose, de permettre une initiation précoce du traitement et d'augmenter le taux de diagnostic précoce.