使用深度卷积神经网络量化放射影像膝关节骨关节炎严重程度
计算机视觉与模式识别
2016-09-09 v1
摘要
本文提出了一种使用深度卷积神经网络 (CNN) 从放射影像中自动量化膝关节骨关节炎 (OA) 严重程度的新方法。在临床上，膝关节 OA 严重程度使用 Kellgren & Lawrence (KL) 分级（一种五点量表）进行评估。以往从放射影像图像自动预测 KL 分级的工作是基于各种手工设计特征训练浅层分类器。我们证明了使用在 ImageNet 上预训练并在膝关节 OA 图像上微调的深度卷积神经网络模型可以显著提高分类准确率。此外，我们论证了使用基于连续距离的评估指标（如均方误差）来评估自动膝关节 OA 严重程度预测的准确性比使用分类准确率更为合适。这促使将 KL 分级预测表述为回归问题，并进一步提高了准确率。在来自骨关节炎倡议 (OAI) 的 X 射线图像和 KL 分级数据集上的结果显示，相较于当前 SOTA 有显著提升。
引用
@article{arxiv.1609.02469,
title = {Quantifying Radiographic Knee Osteoarthritis Severity using Deep Convolutional Neural Networks},
author = {Joseph Antony and Kevin McGuinness and Noel E O Connor and Kieran Moran},
journal= {arXiv preprint arXiv:1609.02469},
year = {2016}
}
备注
Included in ICPR 2016 proceedings