基于多尺度上下文引导与由粗到细定位分类的腰椎疾病识别
计算机视觉与模式识别
2022-03-17 v1 人工智能
摘要
准确高效的腰椎疾病识别对临床诊断至关重要。然而,现有具有数百万参数的深度学习模型往往无法仅用数百或数十张医学图像进行学习。这些模型还忽略了相邻对象(如椎骨与椎间盘之间)的上下文关系。本工作引入一种具有由粗到细定位与分类的多尺度上下文引导网络,称为CCF-Net,用于腰椎疾病识别。具体而言,在学习中,我们将定位目标划分为两个并行任务:粗定位与细定位,它们更直观并有效减少了参数数量与计算成本。实验结果表明,由粗到细的设计展现出以更少参数和数据需求实现高性能的潜力。此外,多尺度上下文引导模块可分别通过ResNet18和ResNet50将性能显著提升6.45%和5.51%。我们的代码可在 https://github.com/czifan/CCFNet.pytorch 获取。
引用
@article{arxiv.2203.08408,
title = {Multi-Scale Context-Guided Lumbar Spine Disease Identification with Coarse-to-fine Localization and Classification},
author = {Zifan Chen and Jie Zhao and Hao Yu and Yue Zhang and Li Zhang},
journal= {arXiv preprint arXiv:2203.08408},
year = {2022}
}
备注
Accepted at ISBI 2022