用于自动化膝关节骨关节炎表型分类的无监督域适应
图像与视频处理
2023-10-31 v1 计算机视觉与模式识别
摘要
目的：本研究旨在展示无监督域适应（UDA）在使用小数据集（n=50）进行自动化膝关节骨关节炎（OA）表型分类中的效用。材料与方法：在这项回顾性研究中，我们从骨关节炎倡议（Osteoarthritis Initiative）数据集中收集了 3,166 张三维（3D）双回波稳态磁共振（MR）图像，并从本机构（2020 与 2021 年）收集了 50 张 3D turbo/快速自旋回波 MR 图像，分别作为源域与目标域数据集。每位患者膝关节 OA 程度先依据 MRI 骨关节炎膝关节评分（MOAKS）分级，再转换为二值 OA 表型标签。所提 UDA 流程包括：（a）预处理，涉及自动分割与感兴趣区域裁剪；（b）源分类器训练，在源数据集上预训练表型分类器；（c）目标编码器适应，将源编码器无监督适应为目标编码器；（d）目标分类器验证，通过受试者工作特征曲线下面积（AUROC）、灵敏度、特异度与准确率对目标分类性能进行统计分析。此外，训练了一个无 UDA 的分类器用于比较。结果：与无 UDA 训练的分类器相比，经 UDA 训练的目标分类器在两种膝关节 OA 表型上均取得了更高的 AUROC、灵敏度、特异度与准确率。结论：所提 UDA 方法通过利用大型高质量源数据集进行训练，提升了小目标数据集上自动化膝关节 OA 表型分类的性能。结果成功展示了 UDA 方法在小数据集分类中的优势。
引用
@article{arxiv.2212.07023,
title = {Unsupervised Domain Adaptation for Automated Knee Osteoarthritis Phenotype Classification},
author = {Junru Zhong and Yongcheng Yao and Donal G. Cahill and Fan Xiao and Siyue Li and Jack Lee and Kevin Ki-Wai Ho and Michael Tim-Yun Ong and James F. Griffith and Weitian Chen},
journal= {arXiv preprint arXiv:2212.07023},
year = {2023}
}
备注
Junru Zhong and Yongcheng Yao share the same contribution. 17 pages, 4 figures, 4 tables