用于自动评估放射学膝关节骨关节炎严重程度的特性学习
计算机视觉与模式识别
2019-08-26 v1 机器学习
摘要
本章介绍了利用卷积神经网络进行特征学习以从X射线图像中自动评估膝关节骨关节炎（OA）严重程度及其相关临床和诊断特征的研究与结果。此外，本章证明了以监督方式进行特征学习比使用传统手工特征用于膝关节自动检测和细粒度膝关节OA图像分类更为有效。在自动评估膝关节OA严重程度的通用机器学习方法中，第一步是定位感兴趣区域，即从放射图像中检测和提取膝关节区域，下一步是基于放射学分类方案（如Kellgren和Lawrence分级）对定位的膝关节进行分类。首先，回顾并概述了基于手工特征检测（或定位）膝关节区域的现有方法。接着，引入了三种新方法：1）使用全卷积网络自动检测膝关节区域；2）使用从头训练的CNN对膝关节图像进行分类和回归以预测序数和连续尺度下的KL分级，从而自动评估放射学膝关节OA；3）通过多目标卷积学习和序数回归优化两个损失函数（分类交叉熵和均方误差）的加权比来量化膝关节OA严重程度。使用两个公共数据集：OAI和MOST来评估这些方法，取得了优于现有方法的有前景结果。总之，本工作主要贡献于放射学膝关节OA定位（自动检测）和量化（图像分类）的自动化方法领域。
引用
@article{arxiv.1908.08840,
title = {Feature Learning to Automatically Assess Radiographic Knee Osteoarthritis Severity},
author = {Joseph Antony and Kevin McGuinness and Kieran Moran and Noel E O' Connor},
journal= {arXiv preprint arXiv:1908.08840},
year = {2019}
}
备注
Book Chapter preprint :: Deep Learners and Deep Learner Descriptors for Medical Applications