使用基于关键点的池化网络进行一致性学习以准确评估放射性膝关节骨关节炎
图像与视频处理
2021-12-20 v1 计算机视觉与模式识别
摘要
膝关节骨关节炎（OA）是一种常见的退行性关节疾病，影响着全球大量老年人。对膝关节 OA 严重程度的准确放射学评估在慢性患者管理中起着关键作用。当前临床采用的膝关节 OA 分级系统具有观察者主观性，并存在评估者间分歧。在这项工作中，我们提出了一种计算机辅助诊断方法，以同时提供对复合和细粒度 OA 分级的更准确、更一致的评估。我们提出了一种新颖的半监督学习方法，通过从无标签数据中学习，来利用复合和细粒度 OA 分级中潜在的一致性。通过使用预训练的高斯混合模型的对数概率来表示分级一致性，我们构建了一个不一致性损失，以在训练中纳入无标签数据。所提出的方法还描述了一种基于关键点的池化网络，其中从沿膝关节提取的疾病靶向关键点池化深度图像特征，以提供更对齐且具有病理信息的特征表示，从而实现准确的 OA 分级评估。所提出的方法在公开的骨关节炎倡议（OAI）数据上进行了全面评估，这是一项针对 4,796 名受试者的多中心十年观察研究。实验结果表明，与以前基于整幅图像的强大深度分类网络基线（如 ResNet-50）相比，我们的方法带来了显著改进。
引用
@article{arxiv.2112.09177,
title = {Coherence Learning using Keypoint-based Pooling Network for Accurately Assessing Radiographic Knee Osteoarthritis},
author = {Kang Zheng and Yirui Wang and Chen-I Hsieh and Le Lu and Jing Xiao and Chang-Fu Kuo and Shun Miao},
journal= {arXiv preprint arXiv:2112.09177},
year = {2021}
}
备注
extension of RSNA 2020 report "Consistent and Coherent Computer-Aided Knee Osteoarthritis Assessment from Plain Radiographs"