Vertebral Labelling in Radiographs: Learning a Coordinate Corrector to Enforce Spinal Shape
x线片中的脊椎标记:学习坐标校正器以加强脊柱形状
论文单位:慕尼黑工业大学信息学系,慕尼黑,德国
作者:Amirhossein Bayat, Anjany Sekuboyina
发表期刊:CSI2019
摘要
在脊柱x线片上定位和标记椎骨在脊柱侧凸和退行性疾病的脊柱形状分析中有重要的应用。然而,由于组织覆盖和脊柱x线片的大小,椎体定位和标记是具有挑战性和复杂的。为了解决这个问题,我们提出了一种鲁棒的方法,用于大图像和噪声图像中的地标检测,并将其应用于脊柱x线片。在这种方法中,模型具有输入图像的整体视图,而不受其大小的影响。我们的模型通过两个步骤预测椎骨的标签和位置:
- 首先,利用全卷积网络(FCN)通过预测二维高斯分布来估计椎体位置和标记;
- 然后,我们引入残差校正(RC)分量,该分量从二维高斯图像中提取每个椎体质心的坐标,并利用整个图像对位置和标签估计进行校正。RC组件的功能是可微的。因此,可以将其融合到深度神经网络中,并与其他子网络进行端到端的训练。
我们在矢状位和冠状位x线片上分别实现了85.32%和52.28%的识别率,定位距离分别为4.57mm和5.33mm。
1 介绍
脊柱定位标记适用于Cobb角计算、手术计划、生物机械负荷分析、诊断椎体骨折或其他病理。分析脊柱侧凸和退行性疾病的脊柱形状应在直立站立的位置进行,这是通过2D x线片捕捉到的。因此,椎骨定位和标记在x线片上是至关重要的,而大多数椎骨标记的工作是在CT扫描上进行的。
项目的挑战:
- 由于覆盖组织和噪声,在x线片中的椎骨定位和标记是具有挑战性的任务。尤其在腰椎,椎骨上叠加着异质软组织。因此,椎骨的强度看起来与其他区域的不同。
- 另一个挑战是脊柱x光片的尺寸太大,因为它们包括整个脊柱。后一个问题使得设计一个具有接受域的网络变得困难,覆盖整个图像。出于同样的原因,应用可用的深度神经网络架构来处理这些图像也是次优的。
- 另一方面,应用全连接层来解决这个问题也是不可行的,因为这会导致增加参数,并将网络性能限制在固定大小的图像上。
脊椎定位和标