Advanced Deep Learning and Imaging Techniques for Early Detection and Progression analysis of Knee Osteoarthritis

Abstract

body, which is particularly prone to various injuries. Osteoarthritis is a progressive degenerative joint disease and one of the leading causes of disability worldwide, making early and accurate severity assessment crucial for OA progression monitoring, prediction of disease progression, and timely interventions to prevent irreversible damage. Magnetic Resonance Imaging has been widely used in the diagnosis of knee diseases due to its comprehensive imaging effect on bone, cartilage and ligament. However, automated OA analysis from knee MRI remains challenging due to anatomical complexity, inter-patient variability, and the presence of heterogeneous structural changes. In this work, we propose a cascaded deep learning framework integrating hierarchical segmentation and severity classification. Initially, a coarse binary segmentation model was employed to identify and isolate the knee region of interest from volumetric MRI scans, reducing irrelevant background information and improving anatomical localization. These cropped volumes were then used as inputs for a second fine-grained segmentation stage to extract clinically relevant knee anatomical structures. To investigate segmentation efficiency, both 3D U-Net and 3D Swin-UNETR architectures were explored, where the transformer-based 3D Swin-UNETR demonstrated superior performance due to its enhanced ability to capture long-range spatial dependencies and multiscale contextual information. The refined segmented regions were then used as the foundation for downstream classification tasks, including binary OA severity classification and multi-class classification of different osteoarthritis progression stages. Experimental results showed that the cascaded segmentation strategy significantly improved region localization and enhanced classification reliability by focusing on structurally relevant quantitative biomarkers.عد الركبة من أكثر التراكيب المفصلية تعقيدًا في جسم الإنسان، وهي مُعرّضة بشكل خاص لمختلف الإصابات. ويُعد الفصال العظمي للركبة من الأمراض التنكسية التدريجية للمفاصل، وأحد الأسباب الرئيسية للإعاقة على مستوى العالم، مما يجعل التقييم المبكر والدقيق لشدة المرض أمرًا بالغ الأهمية لمراقبة تطوره، والتنبؤ بمساره، والتدخل في الوقت المناسب للحد من تفاقمه.

يُستخدم التصوير بالرنين المغناطيسي على نطاق واسع في تشخيص أمراض الركبة نظرًا لقدرته على إظهار العظام والغضاريف والأربطة والأنسجة الرخوة بدقة عالية. ومع ذلك، لا يزال التحليل الآلي للفصال العظمي من صور الرنين المغناطيسي للركبة يمثل تحديًا كبيرًا بسبب التعقيد التشريحي، والتباين بين المرضى، والتغيرات البنيوية غير المتجانسة.

في هذا العمل، نقترح إطار عمل متكامل قائم على التعلم العميق يجمع بين التقسيم الهرمي وتصنيف شدة المرض. في المرحلة الأولى، تم توظيف نموذج تقسيم ثنائي لتحديد منطقة الركبة وعزلها من صور الرنين المغناطيسي ثلاثية الأبعاد، بهدف إزالة المعلومات الخلفية غير ذات الصلة وتحسين التموضع التشريحي. بعد ذلك، استُخدمت الأحجام المقتطعة كمدخلات لمرحلة تقسيم متعددة الأصناف لاستخراج التراكيب التشريحية المهمة في الركبة.

ولتقييم كفاءة التقسيم، تم استخدام معماريتي 3D U-Net وSwin-UNETR، حيث أظهر نموذج Swin-UNETR المعتمد على المحولات (Transformers) أداءً أفضل بفضل قدرته على التقاط الاعتماديات بعيدة المدى والمعلومات السياقية متعددة المقاييس.

بعد ذلك، استُخدمت المناطق المقسمة لاستخراج مؤشرات حيوية كمية وخصائص تصويرية مختلفة، ثم استُخدمت في مهام تصنيف متعددة شملت التصنيف الثنائي والتصنيف متعدد الفئات لمراحل الفصال العظمي المختلفة. وقد أظهرت النتائج التجريبية أن استراتيجية التقسيم الهرمي حسّنت بشكل ملحوظ دقة تحديد المناطق التشريحية ورفعت من موثوقية التصنيف من خلال التركيز على المؤشرات الحيوية ذات الصلة سريريًا.