基于 X 射线图像轮廓特征的人工神经网络长骨骨折检测
计算机视觉与模式识别
2019-02-22 v1
摘要
本文提出了两种基于轮廓的骨折检测方案。基于轮廓的骨折检测方案是基于 arXiv:1902.07458 中提出的基于直线的骨折检测方案而开发的。现有的计算机辅助诊断（CAD）系统通常采用卷积神经网络（CNN），但获得高精度的代价是所需训练数据的数量。所提方案的目的是通过利用 X 射线图像中检测到的轮廓，以更少的训练数据量获得较高的分类精度。共有两种基于轮廓的骨折检测方案。第一种是标准轮廓直方图特征基（CHFB）方案，第二种是改进的 CHFB 方案。两种方案的区别在于，改进的 CHFB 方案去除了腿部区域中检测到的周围肉体轮廓。肉体轮廓被自动归类为非骨折。轮廓被进一步细化以精确表示图像边缘对象。从每个细化轮廓中提取共 19 个特征。其中 19 个特征中的 8 个基于轮廓中特定检测梯度的出现次数。此外，轮廓中 0 度梯度的出现被用于区分膝盖、腿和脚区域。这些特征是轮廓的概要表示，并作为人工神经网络（ANN）的输入。标准 CHFB 和改进 CHFB 方案在相同的实验设置下进行评估。标准 CHFB 方案的平均系统精度为 80.7%，而改进 CHFB 方案的平均精度为 82.98%。此外，采用层次聚类技术，利用从骨折轮廓提取的 0 度梯度来高亮 X 射线图像中的骨折区域。
引用
@article{arxiv.1902.07897,
title = {Long-Bone Fracture Detection using Artificial Neural Networks based on Contour Features of X-ray Images},
author = {Alice Yi Yang and Ling Cheng},
journal= {arXiv preprint arXiv:1902.07897},
year = {2019}
}