基于人口统计学信息的儿童腕部病变细粒度视觉识别
计算机视觉与模式识别
2026-02-20 v7 人工智能
机器学习
摘要
儿童腕部病变从放射图中识别具有挑战性，因为正常解剖随发育变化迅速：形成中的骨板 ossification 和开放的 physes 可能类似于病变，发育成熟时间因性别而异。因此，仅依据图像的模型在有限医学数据集上训练风险易于将正常的发育变化与真实病变混淆。我们将儿童腕部诊断作为细粒度视觉识别 (FGVR) 问题进行建模，提出一种结合 X 光影像与患者年龄和性别的基于人口统计学信息的混合卷积-Transformer 模型。为在训练时利用人口统计学背景而避免依赖捷径，我们引入渐进式元数据遮蔽。我们在一个精选数据集上进行评估，该数据集镜像了真实世界医学研究中典型的约束条件。混合 FGVR 主干网络优于传统和现代 CNN，而人口统计学融合还能获得额外的提升。最后，我们展示了从细粒度预训练源初始化相对于标准 ImageNet 初始化的迁移优势，表明标签的细粒度性，即使来自非医学数据，也可是针对细微放射图发现实现的关键驱动因素。
引用
@article{arxiv.2507.12964,
title = {Demographic-aware fine-grained visual recognition of pediatric wrist pathologies},
author = {Ammar Ahmed and Ali Shariq Imran and Zenun Kastrati and Sher Muhammad Daudpota},
journal= {arXiv preprint arXiv:2507.12964},
year = {2026}
}