基于卷积神经网络的3D计算机断层扫描数据头颅测量标志点回归
计算机视觉与模式识别
2020-07-21 v1
摘要
本文中,我们解决自动三维头颅测量分析的问题。在侧位X线片上进行的头颅测量分析由于投影到侧平面而未充分利用3D物体的结构。随着CT等三维成像技术的发展,已有若干扩展至3D情形的分析方法被提出。基于这些方法的分析对旋转和平移具有不变性,并能描述2D头颅测量无法适用的困难颅骨变形。本文中,我们广泛综述现有的头颅测量标志点回归方法。此外,我们使用一系列最先进的基于3D卷积神经网络(CNN)的关键点回归方法进行了实验:直接CNN回归、热图回归与Softargmax回归。我们首次对所描述方法进行了广泛评估,并证明其在严重颅骨变形患者的Frankfort水平面与头颅测量点位置估计中的有效性。我们证明热图与Softargmax回归模型为医学应用提供了足够的回归误差(小于4 mm)。此外,Softargmax模型对Frankfort水平面达到1.15°的倾角误差。为与已有方法公平比较,我们也报告了投影到侧平面上的结果。
引用
@article{arxiv.2007.10052,
title = {Cephalometric Landmark Regression with Convolutional Neural Networks on 3D Computed Tomography Data},
author = {Dmitry Lachinov and Alexandra Getmanskaya and Vadim Turlapov},
journal= {arXiv preprint arXiv:2007.10052},
year = {2020}
}