用于骨关节炎评估的膝关节骨骼分割：监督、少样本与零样本学习方法的比较分析
图像与视频处理
2024-03-14 v1 计算机视觉与模式识别
摘要
膝骨关节炎是一种引发慢性疼痛和残疾的退行性关节疾病。骨骼形态学分析是理解该疾病力学特性的一个有前景的工具。本研究提出了一种利用手动分割骨骼进行的 2D 骨骼形态学分析，以探索与不同疼痛状况相关的形态特征。此外，评估了六种语义分割算法用于从 X 射线图像中提取股骨和胫骨。我们的分析表明，在疼痛加剧的情况下，股骨形态会发生显著变化。相反，疼痛的改善可能不会在骨骼形状上表现出明显的改变。基于少样本学习的算法 UniverSeg 展现了优异的分割结果，股骨和胫骨的 Dice 分数分别为 99.69% 和 99.60%。在疼痛状况分类方面，基于零样本学习的算法 CP-SAM 在所有模型中取得了最高的准确率，达到 66%。推荐使用 UniverSeg 进行自动膝关节骨骼分割，而 SAM 模型在修改提示编码器后显示出优化结果的潜力。这些发现突显了少样本学习在语义分割中的有效性，以及零样本学习在增强膝骨关节炎诊断分类模型方面的潜力。
引用
@article{arxiv.2403.08761,
title = {Segmentation of Knee Bones for Osteoarthritis Assessment: A Comparative Analysis of Supervised, Few-Shot, and Zero-Shot Learning Approaches},
author = {Yun Xin Teoh and Alice Othmani and Siew Li Goh and Juliana Usman and Khin Wee Lai},
journal= {arXiv preprint arXiv:2403.08761},
year = {2024}
}