基于深度学习的侧位X光头影标志点自动检测：问题是否已解决？
计算机视觉与模式识别
2024-09-25 v1
摘要
从侧位头影图上局部化颅面标志点是头影分析中的一项基本任务。因此，对相关任务的自动化一直是过去数十年来研究的热点。本文引入了“头影标志点检测（Cephalometric Landmark Detection，CL-Detection）”数据集，这是一个目前最大且最全面的公开头影标志点检测数据集。该数据集为多中心、多厂商数据集，包含600幅侧位X光图像，标注38个标志点，来自三个医疗机构，使用不同设备获取。本文的总体目标是衡量当前最先进的深度学习方法在头影标志点检测方面能达到的水平。遵循2023年MICCAI CL-Detection挑战赛的要求，我们报告了使用深度学习方法的前十名研究团队的结果。结果表明，最佳方法接近专家分析水平，实现平均检测率为75.719%，平均径向误差为1.518毫米。虽然仍有提升空间，但这些发现无疑为实现颅面标志点的高度准确和完全自动定位开辟了可能性。我们还识别了深度学习方法仍然难以应对的场景。该数据集和详细结果均已公开在线上，平台将持续开放，供社区对未来算法开发进行基准测试，访问地址为https://cl-detection2023.grand-challenge.org/。
引用
@article{arxiv.2409.15834,
title = {Deep Learning Techniques for Automatic Lateral X-ray Cephalometric Landmark Detection: Is the Problem Solved?},
author = {Hongyuan Zhang and Ching-Wei Wang and Hikam Muzakky and Juan Dai and Xuguang Li and Chenglong Ma and Qian Wu and Xianan Cui and Kunlun Xu and Pengfei He and Dongqian Guo and Xianlong Wang and Hyunseok Lee and Zhangnan Zhong and Zhu Zhu and Bingsheng Huang},
journal= {arXiv preprint arXiv:2409.15834},
year = {2024}
}
备注
16 pages, 7 figures