股骨近端骨折的弱监督定位与分类
计算机视觉与模式识别
2018-10-01 v1
摘要
本文针对临床 X 射线图像的骨折分类问题，旨在构建自动化计算机辅助诊断（CAD）系统。尽管主要处理图像分类问题，我们认为在图像中定位骨折对做出准确类别预测至关重要。因此，我们提出并深入分析几种同时实现骨折定位与分类的方案。我们表明，使用辅助定位任务通常会提升分类性能。此外，得益于弱监督深度学习方法的最新进展，可避免对额外定位标注的需求。在此类方法中，我们研究并调整了空间变换器（ST）、自迁移学习（STL）以及来自全局池化层的定位。我们在 1347 张股骨骨折图像的数据集上提供了详细的定量与定性验证，并报告了与文献中专家间相关性值相符的高准确率。我们的研究表明：i）病灶定位改善分类结果；ii）弱监督方法在无任何额外成本下提升基线分类；iii）STL 引导特征激活并提升性能。我们计划公开数据集与代码。
引用
@article{arxiv.1809.10692,
title = {Weakly-Supervised Localization and Classification of Proximal Femur Fractures},
author = {Amelia Jiménez-Sánchez and Anees Kazi and Shadi Albarqouni and Sonja Kirchhoff and Alexandra Sträter and Peter Biberthaler and Diana Mateus and Nassir Navab},
journal= {arXiv preprint arXiv:1809.10692},
year = {2018}
}
备注
7 pages, 4 figures