用于发育性髋关节发育不良自动评估的 landmarks 与结构联合学习
图像与视频处理
2021-06-11 v1 计算机视觉与模式识别
摘要
婴儿髋关节超声（US）筛查对发育性髋关节发育不良（DDH）的早期诊断至关重要。DDH的超声诊断在于测量量化髋关节发育的alpha和beta角。这两个角度由髋关节关键解剖标志点和结构计算得出。然而，该测量过程对超声医师并非易事，通常需要对复杂解剖结构的透彻理解。在本研究中，我们提出一种多任务框架，联合学习标志点与结构之间的关系并自动评估DDH。我们的多任务网络配备了三个新颖模块。首先，我们采用Mask R-CNN作为基础框架检测和分割关键解剖结构，并添加一标志点检测分支以形成新的多任务框架。其次，我们提出一种新颖的形状相似性损失，以鲁棒且精确地细化不完整的解剖结构预测。第三，我们进一步引入标志点-结构一致性先验，以确保从分割结构和检测标志点估计的骨缘的一致性。实验中，我们收集了来自632名患者的1231张婴儿髋关节超声图像，其中126名患者的247张图像用于测试。alpha和beta角的平均误差分别为2.221度和2.899度。约93%和85%的alpha和beta角估计误差分别小于5度。实验结果表明，所提方法能准确、鲁棒地实现DDH自动评估，展现出巨大的临床应用潜力。
引用
@article{arxiv.2106.05458,
title = {Joint Landmark and Structure Learning for Automatic Evaluation of Developmental Dysplasia of the Hip},
author = {Xindi Hu and Limin Wang and Xin Yang and Xu Zhou and Wufeng Xue and Yan Cao and Shengfeng Liu and Yuhao Huang and Shuangping Guo and Ning Shang and Dong Ni and Ning Gu},
journal= {arXiv preprint arXiv:2106.05458},
year = {2021}
}
备注
Accepted by IEEE Journal of Biomedical and Health Informatics. 14 pages, 10 figures and 10 tables