基于深度学习的回归与分类在医学图像解剖标志点自动定位中的应用
图像与视频处理
2020-07-14 v1 计算机视觉与模式识别
医学物理
摘要
在本研究中，我们提出一种快速而准确的方法，用于自动定位医学图像中的解剖标志点。我们采用基于全卷积神经网络（FCNNs）的由全局到局部的定位方法。首先，一个全局 FCNN 通过分析图像块同时执行回归与分类，定位多个标志点。在回归中，确定从图像块中心指向标志点位置的位移向量；在分类中，确认图像块中是否存在感兴趣的标志点。通过对预测的位移向量取平均获得全局标志点位置，其中每个位移向量的贡献由其来源图像块的后验分类概率加权。随后，针对全局定位得到的每个标志点进行局部分析。专门的 FCNN 以类似方式（即同时执行回归与分类并合并结果）分析局部子图像，从而细化全局标志点位置。评估通过在 CCTA 扫描中定位 8 个解剖标志点、嗅觉 MR 扫描中 2 个标志点以及头影测量 X 光片中 19 个标志点进行。我们证明该方法表现与第二名观察者相当，并能够在图像模态、图像维度和解剖覆盖范围各异的多种医学图像中定位标志点。
引用
@article{arxiv.2007.05295,
title = {Deep Learning-Based Regression and Classification for Automatic Landmark Localization in Medical Images},
author = {Julia M. H. Noothout and Bob D. de Vos and Jelmer M. Wolterink and Elbrich M. Postma and Paul A. M. Smeets and Richard A. P. Takx and Tim Leiner and Max A. Viergever and Ivana Išgum},
journal= {arXiv preprint arXiv:2007.05295},
year = {2020}
}
备注
12 pages, accepted at IEEE transactions in Medical Imaging