一种用于放射学骨关节炎检测的轻量级CNN与联合形状-关节空间（JS2）描述符
图像与视频处理
2020-05-26 v1 计算机视觉与模式识别
机器学习
摘要
膝骨关节炎（OA）是世界范围内非常常见的进行性、退行性肌肉骨骼疾病，给患者带来沉重负担，降低生活质量，并因其经济影响加重社会负担。因此，任何减轻该疾病负担的尝试都可能对患者和社会都有帮助。在本研究中，我们提出了一种全自动的新方法，基于关节形状与卷积神经网络（CNN）骨纹理特征的结合，来区分有放射学骨关节炎和无放射学骨关节炎的膝关节X光片。此外，我们首次尝试使用CNN描述骨纹理。实验使用了来自骨关节炎倡议（OAI）和多中心骨关节炎（MOST）研究的膝关节X光片。我们的模型在来自OAI的8953张膝关节X光片上进行训练，并在来自MOST的3445张膝关节X光片上进行评估。我们的结果表明，融合所提出的形状和纹理参数在放射学OA检测中达到了最先进的性能，ROC曲线下面积（AUC）达到95.21%。
引用
@article{arxiv.2005.11715,
title = {A Lightweight CNN and Joint Shape-Joint Space (JS2) Descriptor for Radiological Osteoarthritis Detection},
author = {Neslihan Bayramoglu and Miika T. Nieminen and Simo Saarakkala},
journal= {arXiv preprint arXiv:2005.11715},
year = {2020}
}
备注
MIUA2020