VertXNet:一种用于脊柱X射线椎体分割与识别的集成方法
图像与视频处理
2023-02-08 v1 计算机视觉与模式识别
摘要
可靠的椎体标注是进行脊柱X射线图像分析的关键。然而,由于椎体结构小且形状多变等复杂性,从这些图像中获取椎体标注通常依赖人工,成本高且繁琐。为加速该过程,我们提出一种集成流程VertXNet,其结合两种最先进(SOTA)分割模型(分别为U-Net和Mask R-CNN)以自动分割并标记X射线脊柱图像中的椎体。此外,VertXNet引入基于规则的方法,可通过定位较其他椎体更易分割的'参考'椎体,稳健推断给定脊柱X射线图像的椎体标签。我们在三个脊柱X射线数据集(两个内部、一个公开可用)上评估所提流程,并与放射科医师标注的椎体比较。实验结果显示,所提流程在测试数据集(MEASURE 1)上以平均Dice 0.90优于两种SOTA分割模型,而Mask R-CNN与U-Net的平均Dice分别为0.73和0.72。为进一步评估VertXNet的泛化能力,预训练流程直接在另外两个数据集(PREVENT和NHANES II)上测试,观察到一致性能,平均Dice分别为0.89和0.88。总体而言,VertXNet在脊柱X射线成像的椎体分割与标记上表现出显著改进,且在内部临床试验数据与公开数据上的评估进一步证明其泛化性。
引用
@article{arxiv.2302.03476,
title = {VertXNet: An Ensemble Method for Vertebrae Segmentation and Identification of Spinal X-Ray},
author = {Yao Chen and Yuanhan Mo and Aimee Readie and Gregory Ligozio and Indrajeet Mandal and Faiz Jabbar and Thibaud Coroller and Bartlomiej W. Papiez},
journal= {arXiv preprint arXiv:2302.03476},
year = {2023}
}