一种用于骨盆创伤自动严重度评分的可解释方法
图像与视频处理
2021-05-24 v1 计算机视觉与模式识别
机器学习
摘要
骨盆环断裂由钝性损伤机制引起，常见于多发伤患者。为基于全身 CT 对创伤患者的骨盆骨折严重度分级，常采用 Tile AO/OTA 分类。由于繁忙创伤中心产生的全身创伤 CT 数量庞大，自动化的 Tile 分类方法将具有重大价值，例如可优先安排创伤放射科主治医师的阅片队列。在此场景下，自动化方法应基于透明流程且基于可解释特征进行分级，以便与人工阅片者交互，并通过提供扫描首次自动阅片的见解来降低其工作负荷。本文介绍了一种自动化且可解释的骨盆创伤决策支持系统，以辅助放射科医师进行骨折检测与 Tile 分级。该方法类似于人类对 CT 扫描的解读过程，首先使用 Faster-RCNN 模型以高特异性检测 CT 上明确的骨盆骨折，随后基于临床最佳实践的结构化因果模型进行解读，推断初始 Tile 分级。接着查询贝叶斯因果模型及目标检测器，寻找可能因检测器高特异性操作点而最初被拒绝的可能共现骨折，从而得到更新的骨折检测列表及相应的最终 Tile 分级。我们的方法具有透明性：通过目标检测器提供发现位置与类型，以及可能使系统建议失效的重要反事实信息，并在平移/旋转不稳定性上达到 83.3%/85.1% 的 AUC。尽管专为人机协作设计，我们的方法在性能上相较以往的黑盒方法并未妥协。
引用
@article{arxiv.2105.10238,
title = {An Interpretable Approach to Automated Severity Scoring in Pelvic Trauma},
author = {Anna Zapaishchykova and David Dreizin and Zhaoshuo Li and Jie Ying Wu and Shahrooz Faghih Roohi and Mathias Unberath},
journal= {arXiv preprint arXiv:2105.10238},
year = {2021}
}
备注
10 pages, 3 figures