A New Approach of Dynamic Fuzzy Cognitive Knowledge Networks in Modelling Diagnosing Process of Meniscus Injury * *The present work was financially supported by the "Andreas Mentzelopoulos Scholarships University of Patras".

Anninou, Antigoni P.; Groumpos, Peter P.; Poulios, Panagiotis; Gkliatis, Ioannis

doi:10.1016/j.ifacol.2017.08.1289

Cited by 10 publications

(5 citation statements)

References 7 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Those issues are: (a) the presence of concepts of different nature is ignored in the traditional approach and, (b) the utilization of the classic sigmoid normalization function was fuzzing the system, especially in cases of the existence of several concepts. The AFCM approach was used in two medical applications with excellent results [19][20][21][22]. However due to the fact that we have not enough information and the required scientific knowledge for COVID-19 the AFCM approach cannot be used in this study.…”

Section: Limitations and Drawbacks Of Fcm Theoriesmentioning

confidence: 99%

“…To the best of my knowledge, State Space AFCMs have been applied and evaluated only to two medical problems [19][20] and [21][22]. In the first application [19][20] the new AFCM approach is being tested for its accuracy in Decision Support Systems in medicine, trying to model knee injuries by using 17 real cases of patients. The new AFCM proposed model is able to diagnose meniscus injuries and to distinguish between acute and degenerative injury.…”

Section: Medical Applications Of Fuzzy Cognitive Mapsmentioning

confidence: 99%

See 1 more Smart Citation

Modelling COVID-19 using Fuzzy Cognitive Maps (FCM)

Groumpos¹

2021

EAI Endorsed Transactions on Bioengineering and Bioinformatics

View full text Add to dashboard Cite

The outbreak of COVID-19 has gained ground in many countries, leading towards a global health emergency. Research efforts have been intensified all around the humankind. OBJECTIVE: The main objective of this paper is to study the new pandemic COVID-19 using for the first-time theories of Fuzzy Cognitive Maps (FCM). METHODS: All known studies for COVID-19 are done based on statistical models. These statistical approaches depend solely on correlation factors. The factor of causality has not been considered due to the luck of sufficient mathematical models based on causality. Correlation does not imply causality while causality always implies correlation. The approach of Fuzzy Cognitive Maps (FCM) that is considering the causality factors is proposed, to investigate the whole spectrum of COVID-19. RESULTS: Early theoretical simulation studies using a COVID-19 FCM model have been conducted. Simulations with real patient data give excellent results. The state space Advanced Fuzzy Cognitive Maps (AFCM) is the natural sequence of the classical FCM theories.CONCLUSIONS: This study gives strong evidence that the "generic FCM theories" are probably the only ones that explore the causality between the variables of medical problems in a sound mathematical and scientific foundation. EAI Endorsed Transactions on Bioengineering and Bioinformatics

show abstract

Section: Limitations and Drawbacks Of Fcm Theoriesmentioning

confidence: 99%

Section: Medical Applications Of Fuzzy Cognitive Mapsmentioning

confidence: 99%

Modelling COVID-19 using Fuzzy Cognitive Maps (FCM)

Groumpos¹

2021

EAI Endorsed Transactions on Bioengineering and Bioinformatics

View full text Add to dashboard Cite

show abstract

“…Henceforth, numerous methods have been applied to the research of meniscus, encompassing segmentation [7][8][9] and reconstruction 10 of the meniscus region, along with endeavors in diagnosing and grading meniscal injuries, as well as investigating the mechanisms underlying meniscal injuries 11 . While these published methodologies have demonstrated promising outcomes, refining treatment accuracy necessitates a heightened focus on the fine grading and visual interpretation of meniscal injuries.…”

mentioning

confidence: 99%

Visual interpretable MRI fine grading of meniscus injury for intelligent assisted diagnosis and treatment

Luo,

Gou,

Tong

et al. 2024

npj Digit. Med.

View full text Add to dashboard Cite

Meniscal injury represents a common type of knee injury, accounting for over 50% of all knee injuries. The clinical diagnosis and treatment of meniscal injury heavily rely on magnetic resonance imaging (MRI). However, accurately diagnosing the meniscus from a comprehensive knee MRI is challenging due to its limited and weak signal, significantly impeding the precise grading of meniscal injuries. In this study, a visual interpretable fine grading (VIFG) diagnosis model has been developed to facilitate intelligent and quantified grading of meniscal injuries. Leveraging a multilevel transfer learning framework, it extracts comprehensive features and incorporates an attributional attention module to precisely locate the injured positions. Moreover, the attention-enhancing feedback module effectively concentrates on and distinguishes regions with similar grades of injury. The proposed method underwent validation on FastMRI_Knee and Xijing_Knee dataset, achieving mean grading accuracies of 0.8631 and 0.8502, surpassing the state-of-the-art grading methods notably in error-prone Grade 1 and Grade 2 cases. Additionally, the visually interpretable heatmaps generated by VIFG provide accurate depictions of actual or potential meniscus injury areas beyond human visual capability. Building upon this, a novel fine grading criterion was introduced for subtypes of meniscal injury, further classifying Grade 2 into 2a, 2b, and 2c, aligning with the anatomical knowledge of meniscal blood supply. It can provide enhanced injury-specific details, facilitating the development of more precise surgical strategies. The efficacy of this subtype classification was evidenced in 20 arthroscopic cases, underscoring the potential enhancement brought by intelligent-assisted diagnosis and treatment for meniscal injuries.

show abstract

“…0.3) καταλήγουν σε μία σταθερή εκτίμηση. Αυτό σημαίνει ότι η έξοδος υπολογίστηκε τελικά με την τελευταία τιμή της επανάληψης, συνεπώς η απόσταση μεταξύ του μοντέλου και ενός πραγματικού συστήματος γίνεται ολοένα και μεγαλύτερη [42].…”

Section: Rough Cognitive Maps (Rcm)unclassified

“…Αφού γίνει ο διαχωρισμός των ασθενών σε αυτούς που έχουν μηνίσκο και εκείνους που αντιμετωπίζουν κάποια άλλη ασθένεια, στη συνέχεια θα προχωρήσουμε στο δεύτερο επίπεδο για την ακριβή διάγνωση της κάκωσης του μηνίσκου. Κατασκευάζεται λοιπόν ένα σύστημα υποστήριξης αποφάσεων, που ως τελικό στόχο έχει τον ίδιο με το προηγούμενο κεφάλαιο αλλά γίνεται η εισαγωγή και η έρευνα μιας εξ ολοκλήρου νέας μεθοδολογίας [42].…”

Section: περιγραφή του μοντέλου διάγνωσης μηνίσκου με χρήση νέου μοντέλου δυναμικών ασαφών γνωστικών δικτύωνunclassified

Μια Νέα Μεθοδολογία Για Συστήματα Λήψης Και Υποστήριξης Αποφάσεων Για Ιατρικές Εφαρμογές

Αννίνου¹

View full text Add to dashboard Cite

Τα τελευταία χρόνια η αναμφισβήτητη προέλαση των νέων τεχνολογιών έχει αλλάξει τον παραδοσιακό τρόπο απεικόνισης της ανθρώπινης γνώσης και έχει δώσει τεράστια ώθηση σε ένα ευρύ φάσμα μεθοδολογιών μοντελοποίησης και ανάλυσης εξελίσσοντας τα κλασσικά, συμβατικά μοντέλα. Η παρούσα διατριβή ασχολείται συγκεκριμένα με τα συστήματα ιατροφαρμακευτικής περίθαλψης και την ανάγκη που υπάρχει για εξελιγμένα Συστήματα Λήψης και Υποστήριξης Αποφάσεων. Η μέθοδος που επιλέχθηκε για την κατασκευή αυτών των συστημάτων, λόγω της πολυπλοκότητας και της ασάφειας που τα χαρακτηρίζει, ήταν τα Ασαφή Γνωστικά Δίκτυα.Αυτή η επιλογή πέρα από την παραγωγή γνώσης γεννά αναπόφευκτα και σημαντικά ερωτήματα ως προς το κατά πόσο είναι εφικτό να δημιουργηθεί ένα έγκυρο ιατρικό σύστημα διάγνωσης αλλά και εάν τα Ασαφή Γνωστικά Δίκτυα είναι σε θέση να υποστηρίξουν πλήρως ένα τέτοιο σύστημα ξεπερνώντας τα μειονεκτήματά τους.Στα πλαίσια λοιπόν της διδακτορικής αυτής διατριβής προσπαθώντας να δοθούν ουσιαστικές απαντήσεις στα παραπάνω ερωτήματα αναπτύχθηκαν δύο νέες εξελιγμένες μέθοδοι μοντελοποίησης των Ασαφών Γνωστικών Δικτύων, τα Ανταγωνιστικά και τα Δυναμικά Ασαφή Γνωστικά Δίκτυα. Μετά την αναλυτική παρουσίαση της μεθοδολογίας τους, χρησιμοποιούνται για την κατασκευή δύο ιατρικών συστημάτων, για τη διάγνωση των κακώσεων του γόνατος και για τη διάγνωση του μηνίσκου. Ένα σύνολο 74 ασθενών συλλέχθηκε με τη βοήθεια ορθοπεδικών ιατρών από το Πανεπιστημιακό Νοσοκομείο της Πάτρας, για τον έλεγχο της ακρίβειας και αξιοπιστίας του μοντέλου με πολύ ικανοποιητικά αποτελέσματα.Για να ολοκληρωθεί το διαγνωστικό μοντέλο μελετήθηκε και η επίδραση μη στεροειδών αντιφλεγμονωδών χαπιών στην εξέλιξη της πορείας του ασθενούς εισάγοντας με αυτό τον τρόπο και τη σωστή επιλογή της θεραπείας που θα πρέπει να επιλεγεί για τον κάθε ασθενή.Τέλος κατασκευάστηκε η πλατφόρμα “KneeD”, ειδικά σχεδιασμένη για χρήση από εξειδικευμένο ιατρικό προσωπικό για τη λειτουργία της ως βάση δεδομένων των ασθενών αλλά και ως συμβουλευτικό εργαλείο για τη διάγνωση μηνίσκου.

show abstract

A New Approach of Dynamic Fuzzy Cognitive Knowledge Networks in Modelling Diagnosing Process of Meniscus Injury * *The present work was financially supported by the "Andreas Mentzelopoulos Scholarships University of Patras".

Cited by 10 publications

References 7 publications

Modelling COVID-19 using Fuzzy Cognitive Maps (FCM)

Modelling COVID-19 using Fuzzy Cognitive Maps (FCM)

Visual interpretable MRI fine grading of meniscus injury for intelligent assisted diagnosis and treatment

Μια Νέα Μεθοδολογία Για Συστήματα Λήψης Και Υποστήριξης Αποφάσεων Για Ιατρικές Εφαρμογές

Contact Info

Product

Resources

About