KNEEL：基于沙漏网络的人膝解剖标志点定位
计算机视觉与模式识别
2019-09-10 v2
摘要
本文解决了不同骨关节炎（OA）阶段膝部X射线图像中解剖标志点定位的挑战。标志点定位可视为回归问题，其中直接利用感兴趣区域甚至全尺寸图像来预测标志点位置，这会导致较大的内存占用，尤其在高质量分辨率医学图像的情况下。在本工作中，我们提出了一种高效的深度神经网络框架，其采用沙漏（hourglass）架构并利用soft-argmax层直接预测标志点归一化坐标。我们对不同的正则化技术与多种损失函数进行了广泛评估，以理解它们对定位性能的影响。此外，我们引入了基于低预算标注的迁移学习概念，并通过实验证明该方法可提升标志点定位的精度。与先前方法相比，我们在两个独立于训练数据的数据集上验证了我们的模型，并评估了该方法在不同OA严重程度阶段下的性能。所提出的方法相比当前最先进（SOTA）方法展现出更好的泛化性能。
引用
@article{arxiv.1907.12237,
title = {KNEEL: Knee Anatomical Landmark Localization Using Hourglass Networks},
author = {Aleksei Tiulpin and Iaroslav Melekhov and Simo Saarakkala},
journal= {arXiv preprint arXiv:1907.12237},
year = {2019}
}
备注
Accepted for Publication at ICCV 2019 VRMI Workshop