《Fully automated quantitative cephalometry using convolutional neural networks》
Sercan Ö. Arık, Bulat Ibragimov, and Lei Xing
定量头颅测量在临床诊断、治疗和手术中起着至关重要的作用。对于这些程序的全自动化技术的开发对于实现持续准确的计算机化分析是重要的。这篇论文研究了深度卷积网络(CNN)在全自动定量头颅测量中的应用。
论文所提出的框架利用CNNs来检测解剖标记点,并产生对颌骨和颅骨区域病理学的定量估计;并证明了只输入原始图像块的CNNs将有望用于准确的定量头颅检测。
论文提出了一个基于CNN的头部图分析的第一个全自动化框架。对CNNs进行训练,以输出使用基于形状的模型组合的不同标记点位置的概率估计,CNN是多层感知器类型的深度机器学习技术的生物学启发变体,因为它们通过强加局部连接模式来利用空间局部相关性,所以它们特别适用于图像处理和识别应用。CNN已经成功被广泛地应用,包括图像分类、图像分割、图像对齐、面部标记点检测、人脸姿态估计以及车道检测等。在这些应用中,CNN达到的效果超过了人类。
本文利用只输入原始图像块的CNNs来精确地解剖标记点。作者使用CNN来模拟各个标记点一致的强度外观模式,并使用经过训练的网络来识别先前不可见的目标图像中相同的模式。关于CNN涉及到的一些基本知识,相比大家都已了解