用于 CT 中椎体压缩骨折识别的 3D 卷积序列到序列模型
图像与视频处理
2020-10-09 v1 计算机视觉与模式识别
摘要
全球每三秒发生一次骨质疏松相关骨折，影响超过 50 岁人群中的三分之一女性和五分之一男性。对高危患者的早期检测有助于有效且循证的预防性干预，降低主要骨质疏松性骨折的发生率。本研究中，我们提出一种在 CT 图像上识别椎体压缩骨折的自动系统，此类骨折常是主要骨质疏松相关骨折未被诊断的前兆。该系统集成了脊柱的紧凑 3D 表示，利用卷积神经网络（CNN）进行脊髓检测，并采用一种新颖的端到端序列到序列 3D 架构。我们评估了几种利用不同表示与分类方法的模型变体，并提出一个结合模型集成族的框架，在大型数据集上验证取得了最先进的结果，患者级骨折识别的曲线下面积（AUC）达 0.955。所提系统有潜力支持骨质疏松临床管理、改善治疗路径，并改变我们这一代最具负担性疾病之一的进程。
引用
@article{arxiv.2010.03739,
title = {3D Convolutional Sequence to Sequence Model for Vertebral Compression Fractures Identification in CT},
author = {David Chettrit and Tomer Meir and Hila Lebel and Mila Orlovsky and Ronen Gordon and Ayelet Akselrod-Ballin and Amir Bar},
journal= {arXiv preprint arXiv:2010.03739},
year = {2020}
}
备注
Accepted to MICCAI 2020