一种用于骨龄评估的无监督深度学习方法
计算机视觉与模式识别
2022-06-14 v1 机器学习
图像与视频处理
摘要
骨龄反映骨骼发育程度，可用于预测成年身高和检测儿童内分泌疾病。放射科医生的检查和操作者的变异性对骨龄评估有显著影响。为减少人工干预，机器学习算法被用于自动评估骨龄。然而，传统的监督深度学习方法需要预标注数据。本文基于带约束的卷积自编码器（CCAE）（一种在指纹分类中提出的无监督深度学习模型），提出将该模型用于骨龄分类并命名为 BA-CCAE。在所提出的 BA-CCAE 模型中，骨龄原始 X 射线图像的关键区域被编码，产生潜向量。K-means 聚类算法通过对骨图像的潜向量分组获得最终分类。在北美放射学会儿科骨龄数据集（RSNA）上的一组实验表明，48 个月间隔分类的准确率为 76.15%。尽管当前准确率低于大多数现有监督模型，所提出的 BA-CCAE 模型可在无任何预标注数据的情况下建立骨龄分类，且据我们所知，BA-CCAE 是用于骨龄评估的少数无监督深度学习尝试之一。
引用
@article{arxiv.2206.05641,
title = {An Unsupervised Deep-Learning Method for Bone Age Assessment},
author = {Hao Zhu and Wan-Jing Nie and Yue-Jie Hou and Qi-Meng Du and Si-Jing Li and Chi-Chun Zhou},
journal= {arXiv preprint arXiv:2206.05641},
year = {2022}
}