分级损失：一种基于骨折分级的度量损失用于椎体骨折检测
图像与视频处理
2020-08-19 v1 计算机视觉与模式识别
摘要
骨质疏松性椎体骨折对患者整体健康有严重影响，但诊断严重不足。这些骨折按照 Genant 分级量表呈现出不同程度的严重程度。标注数据集不足、严重的数据不平衡，以及骨折与正常椎体在外观上的微小差异，使得朴素分类方法的判别性能较差。为此，我们提出了一种受表示学习启发的方法，用于自动化椎体骨折检测，旨在学习对骨折检测有效的潜在表示。在先进度量损失的基础上，我们提出了一种新颖的分级损失（Grading Loss），用于学习遵循 Genant 骨折分级方案的表示。在一个公开可用的脊柱数据集上，所提出的损失函数达到了 81.5% 的骨折检测 F1 分数，比朴素分类基线提高了 10%。
引用
@article{arxiv.2008.07831,
title = {Grading Loss: A Fracture Grade-based Metric Loss for Vertebral Fracture Detection},
author = {Malek Husseini and Anjany Sekuboyina and Maximilian Loeffler and Fernando Navarro and Bjoern H. Menze and Jan S. Kirschke},
journal= {arXiv preprint arXiv:2008.07831},
year = {2020}
}
备注
To be presented at MICCAI 2020