结构正则化注意力网络用于股骨头坏死自动诊断与定位
计算机视觉与模式识别
2022-08-24 v1
摘要
近年来，若干工作采用卷积神经网络（CNN）基于 X 射线图像或磁共振成像（MRI）诊断股骨头缺血性坏死（AVNFH）。然而，由于组织重叠，X 射线图像难以提供细粒度特征用于早期诊断。另一方面，MRI 成像时间长、费用更高，使其在大规模筛查中不切实际。计算机断层扫描（CT）显示分层组织，成像更快且比 MRI 成本更低。但据我们所知，尚无基于 CT 的 AVNFH 自动诊断工作。本工作中，我们收集并标注了用于 AVNFH 分级的大规模数据集。此外，现有端到端 CNN 仅输出分类结果，难以为医生诊断提供更多信息。为解决该问题，我们提出结构正则化注意力网络（SRANet），其能基于块注意力在分类时高亮坏死区域。SRANet 分块提取图像特征，通过注意力机制获得权重以聚合特征，并利用带先验知识的结构正则器约束它们以提升泛化性。SRANet 在我们的 AVNFH-CT 数据集上评估。实验结果表明，SRANet 在 AVNFH 分类上优于 CNN，且能定位病灶并为医生诊断提供更多信息。我们的代码公开于 https://github.com/tomas-lilingfeng/SRANet。
引用
@article{arxiv.2208.10695,
title = {Structure Regularized Attentive Network for Automatic Femoral Head Necrosis Diagnosis and Localization},
author = {Lingfeng Li and Huaiwei Cong and Gangming Zhao and Junran Peng and Zheng Zhang and Jinpeng Li},
journal= {arXiv preprint arXiv:2208.10695},
year = {2022}
}