Un problema común con las radiografías (XE) es la clasificación errónea de la calidad de las mismas, lo que implica que el proceso debe repetirse, retrasando así la evaluación diagnóstica y aumentando la cantidad de radiación que recibe el paciente. Los autores proponen un sistema de clasificación automática de calidad de las XE basado en redes neuronales convolucionales (CNN) que simplificaría este proceso y disminuiría significativamente la clasificación errónea de calidad. Los datos utilizados para el entrenamiento de la CNN consisten en 4000 imágenes de rodilla obtenidas mediante radiografía (KXE) en total, con 2000 KXE etiquetadas como aceptables y 2000 como inaceptables. Además, la mitad de las KXE pertenecientes a cada etiqueta son rodillas derechas e izquierdas. Debido a la sensibilidad a la orientación de la imagen de algunas CNN, se discuten tres enfoques: (1) Rodilla-izquierda-derecha (LRK) clasifica XE solo en función de su etiqueta, sin tener en cuenta su orientación; (2) Discriminador de orientación (OD) para la rodilla izquierda (LK) y la derecha (RK) analiza imágenes en función de su orientación y las inserta en dos modelos separados según la orientación; (3) Discriminador de orientación combinado con rodillas XR volteadas a la izquierda o derecha (OD-LFK) / OD-RFK entrena los modelos con todas las imágenes volteadas horizontalmente a la misma orientación y utiliza el mencionado OD para determinar si la imagen debe voltearse o no. Todos los enfoques se prueban con cinco CNN (AlexNet, ResNet50, ResNet101, ResNet152 y Xception), con búsqueda en cuadrícula y validación cruzada k-fold. Los mejores resultados se logran utilizando el enfoque híbrido OD-RFK con la arquitectura de red Xception como clasificador y ResNet152 como OD, con un AUC promedio de 0.97 (+/-0.01).