基于级联放大回归网络的直接自动化脊柱定量测量
计算机视觉与模式识别
2018-06-15 v1
摘要
脊柱的自动化定量测量（即椎体与椎间盘的高度、宽度、面积等多项指标的估计）在临床脊柱疾病诊断（如骨质疏松、椎间盘退变和腰椎间盘突出症）中极为重要，但由于脊柱结构的多样性以及待估计指标的高维性，仍是一项前所未有的挑战。本文中，我们提出一种新颖的级联放大回归网络（CARN），其包含 CARN 架构与局部形状约束流形正则化（LSCMR）损失函数，以实现准确的直接自动化多指标估计。CARN 架构由用于表达性特征嵌入的级联放大网络（CAN）和用于多指标估计的线性回归模型组成。CAN 由级联放大单元（AU）构成，这些单元通过在相邻层间传播特征图时刺激有效特征并抑制冗余特征来实现选择性特征复用，从而获得表达性特征嵌入。在训练过程中，LSCMR 通过学习多指标分布来缓解过拟合并生成真实估计。在 195 名受试者的 MR 图像上的实验表明，所提出的 CARN 取得了令人印象深刻的性能，对 15 个椎间盘高度、15 个椎体高度及总体指标的估计平均绝对误差分别为 1.2496 mm、1.2887 mm 和 1.2692 mm。所提方法在临床脊柱疾病诊断中具有巨大潜力。
引用
@article{arxiv.1806.05570,
title = {Direct Automated Quantitative Measurement of Spine via Cascade Amplifier Regression Network},
author = {Shumao Pang and Stephanie Leung and Ilanit Ben Nachum and Qianjin Feng and Shuo Li},
journal= {arXiv preprint arXiv:1806.05570},
year = {2018}
}
备注
Accepted by MICCAI 2018