用于全髋关节置换中基于深度学习的骨结构分析的数据集
图像与视频处理
2023-06-08 v1 计算机视觉与模式识别
摘要
全髋关节置换术（THA）是骨科中广泛使用的外科手术。对于 THA，从 CT 图像分析骨结构具有临床意义，尤其在术前观察髋臼和股骨头结构。对于此类骨结构分析，深度学习技术大有前景，但需要高质量标注数据用于学习，而数据标注成本高昂。我们针对此问题，提出了一种高效的数据标注流程以生成面向深度学习的数据集。我们的流程由基于非学习的骨提取（BE）、髋臼与股骨头分割（AFS）以及基于主动学习的标注精修（AAR）组成。BE 采用经典的图割算法。AFS 我们提出一种改进算法，包括利用一阶与二阶梯度正则化进行股骨头边界定位、基于行的非极大值抑制，以及基于解剖先验的股骨头提取。AAR 中，我们借助训练好的深度模型精修算法生成的伪标签：基于原始伪标签与深度模型预测间的不一致度量不确定性，进而找出不确定性最大的样本进行人工标注。利用所提流程，我们从 300 余份临床多样化 CT 扫描构建了大规模骨结构分析数据集。我们对数据的测试集进行了细致人工标注。随后使用我们数据的训练集与测试集，对多种最先进的基于深度学习的医学图像分割方法进行了基准测试。广泛的实验结果验证了所提数据标注流程的有效性。数据集、相关代码与模型将公开于 https://github.com/hitachinsk/THA。
引用
@article{arxiv.2306.04579,
title = {A Dataset for Deep Learning-based Bone Structure Analyses in Total Hip Arthroplasty},
author = {Kaidong Zhang and Ziyang Gan and Dong Liu and Xifu Shang},
journal= {arXiv preprint arXiv:2306.04579},
year = {2023}
}
备注
16 pages, 17 figures