考虑人口统计学的儿童腕部骨折细粒度分类-计算机科学-机器学习-儿童骨折分类-医学 X 射线成像.pdf

考虑人口统计学的儿童腕部骨折细粒度分类

AmmarAhmed,AliShariqImran,ZenunKastrati,SherMuhammadDaudpota

计算机科学系（IDI），挪威科学与技术大学（NTNU），Gjøvik，2815，挪威

信息技术系，林奈大学，Växjö，35195，瑞典

计算机科学系，苏库尔IBA大学，苏库尔，65200，巴基斯坦

摘要—腕部病变常见，特别是在构成骨折病例大多数的儿36%，男性占64%[7]。研究表明，在儿童时期，30-40%

童中。然而，诊断这些病症耗时且需要专门的知识。计算机视觉的女孩和40-50%的男孩至少会经历一次骨折，手腕是

提供了一个有前景的方向，但前提是必须拥有大量的数据集，这最常受伤的部位[8],[9]。在10-17岁年龄段中，男性的

是医学成像领域的一个显著挑战。因此，仅仅依赖一种模态（如

手腕骨折发生率较高，男孩的高峰年龄为13-14岁，女

图像）是不够的，尤其是在数据类型多样且丰富的时代。在本研

孩为11-12岁，并且男女比例为1.5。这些发现表明了年

究中，我们采用多方面的方法来解决使用极有限的数据集识别腕

本部病变的问题。首先，我们将问题视为细粒度识别任务，旨在识龄、性别和骨折发生之间的关联。我们相信通过将这些

译别传统CNN忽略的细微X光病变。其次，通过融合患者元数据人口统计因素（如患者的年龄和性别）与手腕X光图像

中与X光图像以增强网络性能。第三，我们不依赖于ImageNet相结合，神经网络可以做出更准确的诊断决策。

等粗粒度数据集进行预训练，而是使用在细粒度数据集上训练得

2许多结合患者元数据与视觉数据[2]–[6]的研究利

v到的权重。虽然在其他医学领域已应用了元数据整合的方法，但

4将其应用于腕部病变诊断是一个新颖的应用。我们的结果显示，用了传统的CNN架构，如ResNets、DenseNets、VGG

6在有限的数据集中，采用细粒度策略和元数据整合可提高2%的或Inception。然而，这些架构可能并不适合检测外观相

9

2诊断准确性，并且在一个更大的以骨折为重点的数据集中，这一似的手腕X光片中的极小手腕病理，使得它们难以准

1

.比例超过10%。确区分这些病理。为了解决这个问题，我们将手腕病理

7IndexTerms—儿童骨折分类，骨折检测，医学X射线成

0识别视为细粒度视觉识别（FGVR）问题，鉴于这些状

5像，细粒度分类，患者元数据，多模态况的细微和详细的性质，如我们在先前工作中所示[10],

2

:I.介绍[11]。我们假设这种方法，通过融合人口统计数据元数

v

i手部受伤在急诊科中很常见，其中腕部受伤最为频据并引入本研究中提出的联合学习精炼架构增强后，将

x

r繁。远端桡骨和尺骨骨折占这些腕部损伤的75%[1]。在特定类别的有限实例集上超越仅使用图像的方法以

a

鉴于手部复杂的运动范围及其功能重要性，精确的诊断及其他几种广泛使用的CNN架构。

和治疗对于预防长期的功能障碍和残疾至关重要。计算FGVR的目标是在无需手动标注和大量数据的情

机视觉算法在检测与创伤相关的X光病理方面显示出况下对视觉上相似的类别进行分类，而这些通常是传统

潜力；然而，这些算法通常需要大量的数据集以实现泛CNN方法所必需的。FGVR问题面临两大主要挑战。

化，但由于医疗图像数据集的有限