基于 CNN 与懒惰学习方法的 CT 图像颅骨骨折分类
图像与视频处理
2022-08-18 v1 人工智能
计算机视觉与模式识别
机器学习
摘要
颅骨骨折分类对放射科医生和研究人员皆具挑战性。颅骨骨折导致骨碎片,可切入大脑并引起出血及其他损伤类型。因此极早检测和分类骨折至关重要。现实中骨折常发生于多处部位,这使得在多种骨折类型可能共同构成颅骨骨折时更难检测骨折类型。不幸的是,人工检测颅骨骨折及分类过程耗时,危及患者生命。得益于深度学习兴起,该过程可实现自动化。卷积神经网络(CNN)是图像分类中最广泛使用的深度学习模型,因其相较其他模型具有高精度与优异结果。我们提出名为 SkullNetV1 的新模型,利用 CNN 进行特征提取并采用懒惰学习方法作为分类器,从脑部 CT 图像分类五种骨折类型。对于这一七类多标签分类,我们提出的模型取得了 88% 子集准确率、93% F1 分数、0.89 至 0.98 曲线下面积(AUC)、92% 汉明分数及 0.04 汉明损失。
引用
@article{arxiv.2203.10786,
title = {Classifications of Skull Fractures using CT Scan Images via CNN with Lazy Learning Approach},
author = {Md Moniruzzaman Emon and Tareque Rahman Ornob and Moqsadur Rahman},
journal= {arXiv preprint arXiv:2203.10786},
year = {2022}
}