基于卷积神经网络的早产儿肢体姿态深度图像估计
计算机视觉与模式识别
2019-07-31 v1
摘要
早产儿肢体姿态估计是一项关键但具有挑战性的任务，可改善患者护理并协助临床医生进行婴儿运动监测。文献中的工作要么提供全身分割与跟踪方法（但临床价值低），要么从肢体分割中事后检索肢体姿态，增加了计算成本并引入误差来源。本文从不同视角解决肢体姿态估计问题。我们提出了一种用于粗略检测肢体关节与关节连接的二维全卷积神经网络，随后是一种用于精确关节与关节连接位置估计的回归卷积神经网络。同一肢体的关节随后通过最大二分匹配方法连接。我们的分析不需要任何婴儿身体结构的先验建模，也不需要任何人工干预。为开发和测试所提方法，我们构建了一个由四段视频（视频长度 = 90 s）组成的数据集，这些视频是在新生儿重症监护病房（NICU）实际临床实践中用深度传感器记录的，相对于真实肢体姿态取得了中位均方根距离[像素]为 10.790（右臂）、10.542（左臂）、8.294（右腿）、11.270（左腿）。直接从深度图像估计肢体姿态的想法可能代表解决早产儿运动监测问题并为本 NICU 临床医生提供所有可能支持的未来范式。
引用
@article{arxiv.1907.12949,
title = {Preterm infants' limb-pose estimation from depth images using convolutional neural networks},
author = {Sara Moccia and Lucia Migliorelli and Rocco Pietrini and Emanuele Frontoni},
journal= {arXiv preprint arXiv:1907.12949},
year = {2019}
}