Acceso usuarios
Montaña Chenglon
En la actualidad, la prevalencia de lesiones musculoesqueléticas en deportistas de alto nivel es alta, y las lesiones aparecen principalmente en el cuello y la espalda baja. Los largos años de entrenamiento, mirar hacia abajo durante el entrenamiento y participar en deportes de combate en tiempo real son los principales factores de riesgo para la aparición de trastornos del cuello y, por lo tanto, se necesita un método científico para identificar signos de lesiones musculoesqueléticas en las exploraciones de resonancia magnética de los atletas para la prevención temprana y la intervención temprana. Por lo tanto, en este artículo, se propone un modelo de red basado en la red ligera MobilenetV2 basado en el método de aprendizaje por transferencia, que garantiza una alta precisión de clasificación al tiempo que completa la tarea de reconocimiento con un menor número de parámetros y cálculos. Para abordar el problema de que los modelos de aprendizaje profundo requieren una gran cantidad de datos para el entrenamiento y las imágenes de los pacientes son difíciles de obtener, este artículo propone el algoritmo RS, que enmascara las características locales de las imágenes 2DMRI, aumenta el conjunto de datos y lo combina con los dos modelos de clasificación de aprendizaje migratorio profundo propuestos, TLV2 y TLV2C, en los que TLV2 es la red MobileNetV2 que fija la capa superficial e inicializa la capa profunda después del entrenamiento en el conjunto de datos Image Net. inicializa la red profunda y la vuelve a entrenar bajo el conjunto de datos MRI. TLV2C rediseña el clasificador sobre la base de TLV2. Los resultados experimentales muestran que el algoritmo propuesto en este artículo resuelve el problema de los datos de MRI insuficientes y, al mismo tiempo, es capaz de identificar los signos de lesiones musculoesqueléticas en las exploraciones de MRI de atletas.
Currently, the prevalence of musculoskeletal injuries in high-level competitive athletes is high, and the injuries mainly appear in the neck and lower back. Long training years, looking down during training, and engaging in real-time combat sports are the main risk factors for the occurrence of neck disorders, and therefore, a scientific method is needed to identify signs of musculoskeletal injuries in athletes' MRI scans for early prevention and early intervention. Therefore, in this paper, a network model based on the lightweight network MobilenetV2 is proposed based on the transfer learning method, which ensures high classification accuracy while completing the recognition task with less number of parameters and computation. To address the problem that deep learning models require a large amount of data for training and patient images are difficult to obtain, this paper proposes the RS algorithm, which masks the local features of the 2DMRI images, augments the dataset, and combines it with the two proposed deep migratory learning classification models, TLV2 and TLV2C, in which TLV2 is the MobileNetV2 that fixes the shallow layer and initializes the deep layer after training on the Image Net dataset. network, initialize the deep network and re-train it under MRI dataset.TLV2C redesigns the classifier on the basis of TLV2. The experimental results show that the algorithm proposed in this paper solves the problem of insufficient MRI data, and at the same time is able to identify the signs of musculoskeletal injuries in MRI scans of athletes.
