用于人体上肢骨关节高效定位的多种深度学习算法比较研究
计算机视觉与模式识别
2024-10-29 v1
摘要
本文探讨了上肢关节检测的医学成像问题，即肘关节、肩关节、腕关节和指关节。从 X 射线和计算机断层扫描（CT）中定位关节是评估各种骨骼相关医疗状况（如骨关节炎、类风湿性关节炎）的重要步骤，甚至可用于自动化骨折检测。自动化关节定位还能检测相应的骨骼，并可作为用于上述疾病计算机辅助诊断的深度学习模型的输入。这提高了预测准确性，并辅助放射科医生分析扫描图像，而这是一项相当复杂且令人疲惫的任务。本文对多种深度学习（DL）模型——YOLOv3、YOLOv7、EfficientDet 和 CenterNet 在人体上肢多个骨关节检测中进行了详细的比较研究。该研究从数学、图形和视觉上分析了不同 DL 模型的性能。这些模型在公开可用的 MURA（肌肉骨骼 X 射线片）数据集的一部分上进行了训练和测试。研究发现，YOLOv3、YOLOv7、EfficientDet 和 CenterNet 的最佳平均精度均值（mAP at 0.5:0.95）分别为 35.3、48.3、46.5 和 45.9。此外，研究发现 YOLOv7 在准确预测边界框方面表现最佳，而 YOLOv3 在视觉分析测试中表现最差。代码可在 https://github.com/Sohambasu07/BoneJointsLocalization 获取
引用
@article{arxiv.2410.20639,
title = {A Comparative Study of Multiple Deep Learning Algorithms for Efficient Localization of Bone Joints in the Upper Limbs of Human Body},
author = {Soumalya Bose and Soham Basu and Indranil Bera and Sambit Mallick and Snigdha Paul and Saumodip Das and Swarnendu Sil and Swarnava Ghosh and Anindya Sen},
journal= {arXiv preprint arXiv:2410.20639},
year = {2024}
}