Semixup：用于基于平片X线图的深度半监督膝关节骨关节炎严重程度分级的流形内与流形外正则化
图像与视频处理
2020-08-13 v3 计算机视觉与模式识别
机器学习
摘要
膝关节骨关节炎(OA)是全球致残率最高的因素之一。这种肌肉骨骼疾病通过临床症状评估，并通常通过放射学评估确认。放射科医师进行的这种视觉评估需要经验，且存在中度至高度观察者间变异性。近期文献表明，深度学习方法可根据金标准Kellgren-Lawrence(KL)分级系统可靠地进行OA严重程度评估。然而，这些方法需要大量标注数据，而获取成本高昂。在本研究中，我们提出Semixup算法，一种利用未标注数据的半监督学习(SSL)方法。Semixup依赖于使用流形内与流形外样本以及插值一致性的一致性正则化。在一个独立测试集上，我们的方法在大多数情况下显著优于其他最先进的SSL方法。最后，与一个调优良好的全监督基线相比(该基线在测试集上 yielding 平衡准确率(BA)为)，Semixup具有相当的性能——BA为 ，同时所需标注数据减少倍。这些结果表明，我们提出的SSL方法能够利用研究环境之外可用的数据集构建全自动OA严重程度评估工具。
引用
@article{arxiv.2003.01944,
title = {Semixup: In- and Out-of-Manifold Regularization for Deep Semi-Supervised Knee Osteoarthritis Severity Grading from Plain Radiographs},
author = {Huy Hoang Nguyen and Simo Saarakkala and Matthew Blaschko and Aleksei Tiulpin},
journal= {arXiv preprint arXiv:2003.01944},
year = {2020}
}
备注
11 main, 03 supplementary pages. The manuscript was accepted to IEEE Transactions on Medical Imaging in August 2020