基于深度学习集成模型的肩部 X 射线图像分类
图像与视频处理
2021-03-23 v3 计算机视觉与模式识别
机器学习
摘要
肩部区域因比身体其他关节具有更广的活动范围，会因多种原因发生骨折。为诊断这些骨折，需使用 X 射线（X-ray）、磁共振成像（MRI）或计算机断层扫描（CT）所采集的数据。本研究旨在通过人工智能将 X 射线设备拍摄的肩部图像分类为骨折/非骨折，以辅助医师。为此，在肌肉骨骼放射影像（MURA）数据集上评估了 26 个基于深度学习的预训练模型在肩部骨折检测中的性能，并开发了两种集成学习模型（EL1 与 EL2）。所用预训练模型包括 ResNet、ResNeXt、DenseNet、VGG、Inception、MobileNet 及其脊柱全连接（Spinal FC）版本。在使用性能最优预训练模型开发的 EL1 与 EL2 模型中，测试准确率分别为 0.8455、0.8472，Cohen's kappa 分别为 0.6907、0.6942，受试者工作特征（ROC）曲线下与骨折类相关的面积（AUC）分别为 0.8862、0.8695。在总计 28 次不同分类中，EL2 模型取得了最高的测试准确率与 Cohen's kappa 值，EL1 模型取得了最高的 AUC 值。
引用
@article{arxiv.2102.00515,
title = {Classification of Shoulder X-Ray Images with Deep Learning Ensemble Models},
author = {Fatih Uysal and Fırat Hardalaç and Ozan Peker and Tolga Tolunay and Nil Tokgöz},
journal= {arXiv preprint arXiv:2102.00515},
year = {2021}
}
备注
This paper is accepted at Applied Sciences, MDPI, 2021, 11(6), 2723. Section: "Applied Biosciences and Bioengineering". Special Issue: "Advancing Biomedical Image Retrieval and Classification for Computer Aided Diagnosis"