用于脊柱 CT 中后柱结构骨折自动检测的深度卷积网络
计算机视觉与模式识别
2016-09-21 v1
摘要
脊柱损伤，尤其是其后柱结构的损伤，在创伤患者中十分常见，并可能带来灾难性后果。计算机辅助检测(CADe)可协助脊柱骨折的检测与分类。此外，CAD 有助于评估骨折的稳定性和慢性程度，并促进治疗方案优化的研究。本工作中，我们应用深度卷积网络(ConvNets)自动检测脊柱后柱结构骨折。首先，利用多图谱标签融合在脊柱 CT 中分割包含后柱结构的椎体。随后，计算后柱结构的边缘图。这些边缘图作为候选区域，通过以 2.5D 方式（轴位、冠状位和矢状位三个正交块）使用 ConvNets 沿图像边缘预测一组骨折概率。我们探索了三种不同的训练 ConvNet 的方法，使用沿边缘图的“阳性”（即骨折后柱结构）和“阴性”（即非骨折结构）的 2.5D 块。一位经验丰富的放射科医生回顾性标记了 18 名创伤患者中 55 处移位的后柱结构骨折的位置。我们将数据随机分为训练集和测试集。测试中，我们得到 0.857 的曲线下面积。这分别对应每患者 5 个或 10 个假阳性时 71% 或 81% 的灵敏度。对我们创伤患者数据集的分析证明了使用深度卷积网络等计算机视觉技术检测脊柱 CT 图像中后柱结构骨折的可行性。
引用
@article{arxiv.1602.00020,
title = {Deep convolutional networks for automated detection of posterior-element fractures on spine CT},
author = {Holger R. Roth and Yinong Wang and Jianhua Yao and Le Lu and Joseph E. Burns and Ronald M. Summers},
journal= {arXiv preprint arXiv:1602.00020},
year = {2016}
}
备注
To be presented at SPIE Medical Imaging, 2016, San Diego