利用三维卷积神经网络在 CT 中检测椎体骨折
图像与视频处理
2019-11-06 v1 计算机视觉与模式识别
摘要
骨质疏松引起的骨折全球每约 3 秒发生一例。椎体压缩骨折是该疾病的早期征象，并被视为继发性骨质疏松性骨折的风险预测因子。我们提出一种检测方法，以机会性筛查含脊柱 CT 图像中是否存在这些椎体骨折。受放射科实践启发，现有方法基于 2D 和 2.5D 特征，但据我们所知，我们提出了首个利用自动学习的三维特征图在 CT 中检测椎体骨折的方法。所提方法显式定位这些骨折，使放射科医生能够解释其结果。我们训练了一个体素分类的三维卷积神经网络（CNN），训练数据库含 90 例，该库利用临床实践中现成的放射科医生读片结果半自动生成。我们的三维方法在五折交叉验证实验中，患者级骨折检测曲线下面积（AUC）达 95%，椎体级骨折检测 AUC 达 93%。
引用
@article{arxiv.1911.01816,
title = {Detection of vertebral fractures in CT using 3D Convolutional Neural Networks},
author = {Joeri Nicolaes and Steven Raeymaeckers and David Robben and Guido Wilms and Dirk Vandermeulen and Cesar Libanati and Marc Debois},
journal= {arXiv preprint arXiv:1911.01816},
year = {2019}
}
备注
13 pages, 7 figures, pre-print MICCAI CSI