通过从解剖局部区域学习改进骨龄评估
计算机视觉与模式识别
2020-05-28 v1
摘要
骨骼骨龄评估(BAA)作为一项重要的影像学检查，旨在评价人体骨骼的生物学与结构成熟度。在临床实践中，Tanner和Whitehouse(TW2)方法是放射科医生进行BAA的常用方法。TW2方法将手部划分为多个感兴趣区域(ROI)，并分别分析各解剖ROI以估计骨龄。由于考虑了局部信息的分析，TW2方法在实践中表现出准确的结果。遵循TW2的思想，我们提出一种称为解剖局部感知网络(ALA-Net)的新模型用于自动骨龄评估。在ALA-Net中，引入解剖局部提取模块以学习手部结构并提取局部信息。此外，我们设计了一种解剖块训练策略，在训练过程中提供额外的正则化。我们的模型能够以端到端方式联合检测解剖ROI并估计骨龄。实验结果表明，我们的ALA-Net在公开可用的RSNA数据集上取得了3.91平均绝对误差(MAE)的新最优单模型性能。由于我们的模型设计与公认的TW2方法高度一致，其在临床使用中具备可解释性与可靠性。
引用
@article{arxiv.2005.13452,
title = {Improve bone age assessment by learning from anatomical local regions},
author = {Dong Wang and Kexin Zhang and Jia Ding and Liwei Wang},
journal= {arXiv preprint arXiv:2005.13452},
year = {2020}
}
备注
Early accepted to MICCAI2020