DeepRA：利用带注意力机制的 CNN 从 X 线影像预测关节损伤
计算机视觉与模式识别
2022-05-31 v2 人工智能
机器学习
摘要
类风湿关节炎（RA）的关节损伤通过手动检查和分级手与足的 X 线影像来评估。这是一项繁琐的任务，需要训练有素的专家，其主观评估导致评分者间一致性低。一种能够自动预测手和足关节级损伤的算法可帮助优化此过程，最终协助医生更好地进行患者护理和研究。在本文中，我们提出一种两阶段方法，融合目标检测与带注意力的卷积神经网络，可高效准确地从患者 X 线影像预测整体及关节级狭窄和侵蚀。该方法在 RA 患者的手和足 X 线影像上进行了评估，在预测关节级狭窄和侵蚀的 Sharp van der Heijde（SvH）评分时分别取得了 1.358 和 1.404 的加权均方根误差（RMSE），相对于基线 SvH 评分分别提升了 31% 和 19%。所提方法在预测患者手和足 X 线影像整体损伤时取得了 1.456 的加权绝对误差，与基线相比提升了 79%。我们的方法还提供利用注意力权重解释模型预测的内在能力，鉴于深度学习模型的黑箱性质，这一点至关重要。所提方法在由 Dream Challenges 主办的 RA2 Dream Challenge 中开发，并在从 X 线影像预测整体及关节级狭窄和侵蚀 SvH 评分中分别获得第 4 和第 8 名。
引用
@article{arxiv.2102.06982,
title = {DeepRA: Predicting Joint Damage From Radiographs Using CNN with Attention},
author = {Neelambuj Chaturvedi},
journal= {arXiv preprint arXiv:2102.06982},
year = {2022}
}