儿童腕部骨折分类中输入模态的系统分析
计算机视觉与模式识别
2024-12-19 v1
摘要
骨折，尤其是前臂远端骨折，是儿童和青少年中最常见的损伤之一，德国每年约有80万例病例接受治疗。AO/OTA系统提供了结构化的骨折类型分类，是治疗决策的基础。尽管准确分类骨折具有挑战性，但当前的深度学习模型已展现出与经验丰富的放射科医生相当的性能。虽然大多数现有方法仅依赖X光片，但纳入其他额外模态（如自动骨分割、骨折位置和放射学报告）的潜在影响仍未得到充分探索。在本工作中，我们系统分析了这三种额外信息类型的贡献，发现将它们与X光片结合使用可将AUROC从91.71提高到93.25。我们的代码可在GitHub上获取。
引用
@article{arxiv.2412.13856,
title = {A Systematic Analysis of Input Modalities for Fracture Classification of the Paediatric Wrist},
author = {Ron Keuth and Maren Balks and Sebastian Tschauner and Ludger Tüshaus and Mattias Heinrich},
journal= {arXiv preprint arXiv:2412.13856},
year = {2024}
}
备注
Code available on https://github.com/multimodallearning/AO_Classification