DeepSPINE：基于深度学习的腰椎椎体自动分割、椎间盘节段标定与椎管狭窄分级
计算机视觉与模式识别
2018-07-27 v1 机器学习
摘要
脊柱狭窄的高患病率导致大量MRI影像产生，然而即使是最专业的放射科医生，其解读也耗时且读者间差异大。本文提出一种高效方法，利用大规模档案报告与影像数据中存储的领域专家知识，通过深度学习实现全自动化腰椎椎管狭窄分级。具体而言，我们做出三项主要贡献：(1) 一种自然语言处理方案，从自由文本放射学报告中提取各类椎管狭窄及其分度的逐节段金标准标签；(2) 基于U-Net架构结合脊柱曲线拟合方法的精确椎体分割与椎间盘节段定位；(3) 一种多输入、多任务、多类别卷积神经网络，以提取的报告衍生标签对应至影像节段，对轴位与矢状位影像序列输入进行中央椎管与椎间孔狭窄分级。本研究使用从4075名患者提取的22796个椎间盘节段的大规模数据集。我们在腰椎椎管狭窄分类上达到SOTA性能，并期望该技术能提升放射科工作流效率，以及转诊临床医生与患者对于放射报告的感知价值。
引用
@article{arxiv.1807.10215,
title = {DeepSPINE: Automated Lumbar Vertebral Segmentation, Disc-level Designation, and Spinal Stenosis Grading Using Deep Learning},
author = {Jen-Tang Lu and Stefano Pedemonte and Bernardo Bizzo and Sean Doyle and Katherine P. Andriole and Mark H. Michalski and R. Gilberto Gonzalez and Stuart R. Pomerantz},
journal= {arXiv preprint arXiv:1807.10215},
year = {2018}
}
备注
Accepted as spotlight talk at Machine Learning for Healthcare (MLHC) 2018. Supplementary Video: https://bit.ly/DeepSPINE