改进膝关节 X 线图像分类：一种自动化图像标注方法
图像与视频处理
2023-09-07 v1 计算机视觉与模式识别
摘要
膝关节放射科实践中存在大量 X 线图像，可用于训练深度学习模型以诊断膝关节异常。然而，由于人工标注的局限性，这些图像通常没有现成可用的标签。本研究的目的是开发一种自动化标注方法，改进图像分类模型以区分正常膝关节图像与异常或既往关节置换图像。该自动标注器在少量标注数据上训练，以自动标注更大量的未标注数据，从而进一步提升膝关节 X 线诊断的图像分类性能。我们使用 7,382 名患者开发该方法，并在独立的 637 名患者集上验证。最终图像分类模型使用人工标注和伪标注数据训练，其加权平均 AUC（WAUC：0.903）更高，且各类 AUC-ROC 值更高（正常 AUC-ROC：0.894；异常 AUC-ROC：0.896；关节置换 AUC-ROC：0.990），优于仅使用人工标注数据训练的基线模型（WAUC=0.857；正常 AUC-ROC：0.842；异常 AUC-ROC：0.848；关节置换 AUC-ROC：0.987）。DeLong 检验显示，在正常（p值<0.002）和异常（p值<0.001）图像上提升显著。我们的结果表明，所提出的自动化标注方法显著提升了 X 线膝关节诊断的图像分类性能，有助于促进患者诊疗和大型膝关节数据集的整理。
引用
@article{arxiv.2309.02681,
title = {Improving Image Classification of Knee Radiographs: An Automated Image Labeling Approach},
author = {Jikai Zhang and Carlos Santos and Christine Park and Maciej Mazurowski and Roy Colglazier},
journal= {arXiv preprint arXiv:2309.02681},
year = {2023}
}
备注
This is the preprint version