基于学习的脊柱转移瘤骨质分类方法
计算机视觉与模式识别
2024-02-15 v1 机器学习
摘要
脊柱转移是骨转移中最常见的疾病，可能导致疼痛、不稳定和神经损伤。早期发现脊柱转移对于准确分期和优化治疗至关重要。诊断通常借助计算机断层扫描（CT）进行，这需要训练有素的放射科医生付出大量努力。在本文中，我们探索了一种基于学习的、基于CT图像的脊柱转移瘤骨质自动分类方法。我们同时考虑了脊柱后外侧受累分类任务，并采用多任务学习（MTL）技术来提升性能。MTL作为一种归纳偏置形式，通过在相关任务之间共享表示，帮助模型在每个任务上更好地泛化。基于混合型可被视为成骨性和溶骨性这一先验知识，我们将骨质分类任务建模为两个二分类子任务，即是否为成骨性和是否为溶骨性，并利用多层感知器结合它们的预测。为了使模型更鲁棒且泛化能力更强，我们采用了自步学习，逐步将样本从简单到复杂纳入训练过程。所提出的基于学习的方法在一个专有的脊柱转移CT数据集上进行了评估。在切片层面，我们的方法在敏感性上显著优于121层DenseNet分类器，对于成骨性、混合性和溶骨性病变分别提升了、和；在椎体层面，则分别提升了、和。
引用
@article{arxiv.2402.08910,
title = {Learning-based Bone Quality Classification Method for Spinal Metastasis},
author = {Shiqi Peng and Bolin Lai and Guangyu Yao and Xiaoyun Zhang and Ya Zhang and Yan-Feng Wang and Hui Zhao},
journal= {arXiv preprint arXiv:2402.08910},
year = {2024}
}