医学知识引导的深度课程学习用于X射线图像肘部骨折诊断

肘部骨折是最常见的骨折类型之一。肘部骨折的诊断常需要借助放射成像，由受过多年训练的专科放射科医生阅片分析。得益于深度学习的近期进展，一个能够分类和检测不同骨折类型的模型仅需数小时训练且已展现出有前景的结果。然而，大多数现有深度学习模型是纯数据驱动的，缺乏对人类专家已知领域知识的融合。在这项工作中，我们提出一种新颖的深度学习方法，通过将领域特定医学知识整合进课程学习框架，从肘部X射线图像诊断肘部骨折。在我们的方法中，训练数据在每个训练周期开始时通过无放回采样进行置换。每个训练样本的采样概率由基于人类专家临床已知知识构建的评分准则引导，其中评分指示不同肘部骨折亚型的诊断难度。我们还提出一种在每个周期更新采样概率的算法，其适用于其他基于采样的课程学习框架。我们设计了一个包含1865张肘部X射线图像的实验，用于骨折/正常二分类任务，并将所提方法与基线方法及先前方法使用多种指标进行比较。我们的结果表明所提方法取得了最高的分类性能。此外，我们提出的采样概率更新算法提升了先前方法的性能。