一次学习：通用解剖学标志点检测

在医学图像中检测解剖标志点对于理解解剖结构和规划自动化处理至关重要。近年来，已开发出多种深度神经网络方法来自动检测标志点。然而，所有这些方法都是单一的，即为单个任务（例如与特定解剖区域相关的任务）训练高度专门的网络。本文首次研究了“一次学习（YOLO）”的思想，并开发了一个通用解剖标志点检测模型，通过基于混合数据集的端到端训练实现多个标志点检测任务。该模型由一个局部网络和一个全局网络组成：局部网络基于通用U-Net的思想，学习多域局部特征；全局网络是一个并行重复的扩张卷积序列，提取全局特征以进一步消除标志点位置的歧义。值得一提的是，新模型设计所需的训练参数远少于使用标准卷积的模型。我们在三个X射线数据集（头部、手部和胸部，共1588张图像，62个标志点）上评估了我们的YOLO模型。实验结果表明，我们提出的通用模型性能远优于任何先前在多个数据集上训练的模型，甚至超过了为每个单独数据集分别训练的模型的性能。代码可在https://github.com/MIRACLE-Center/YOLO_Universal_Anatomical_Landmark_Detection获取。