自 CephaloNet：基于操作性神经网络的两阶段新框架用于头颈测量分析
计算机视觉与模式识别
2025-01-22 v1 最优化与控制
摘要
头颈测量分析是牙科诊断和治疗规划的关键步骤。然而，在侧位头颈图中，人工标定解剖 landmarks 却是一个耗时的过程。深度学习解决方案有望解决某些任务的时间限制，但其性能方面仍存在顾虑。为此，我们提出了一个用于该任务的端到端级联深度学习框架（Self-CephaloNet），在 ISBI 2015 数据集上对 19 个牙科 landmarks 进行预测，实现了基准性能。由于其自适应节点能力，Self-ONN（self-operational neural networks）在复杂特征空间中的学习性能优于传统卷积神经网络。为充分利用这一特性，我们在 HRNetV2（High Resolution Network）主干网络中引入了一种新颖的自瓶颈结构，该结构在牙科 landmarks 检测任务中已在 ISBI 2015 数据集上表现出色。我们的第一阶段结果超越了前述研究，展示了该单一端到端深度学习模型的有效性，在 Test1 和 Test2 数据集中实现了 70.95% 的 landmarks 检测成功率（误差在 2mm 范围内）。此外，第二阶段显著提升了整体性能，在上述数据集中实现了 82.25% 的平均成功率（同样在 2mm 距离范围内）。此外，对外部数据集（PKU 头颈图数据集）进行了验证。我们的模型在 2mm 范围内实现了 75.95% 的优异成功率。
引用
@article{arxiv.2501.10984,
title = {Self-CephaloNet: A Two-stage Novel Framework using Operational Neural Network for Cephalometric Analysis},
author = {Md. Shaheenur Islam Sumon and Khandaker Reajul Islam and Tanzila Rafique and Gazi Shamim Hassan and Md. Sakib Abrar Hossain and Kanchon Kanti Podder and Noha Barhom and Faleh Tamimi and Abdulrahman Alqahtani and Muhammad E. H. Chowdhury},
journal= {arXiv preprint arXiv:2501.10984},
year = {2025}
}
备注
The paper has been accepted for publication in Neural Computing and Applications