医生模仿者：基于图形的骨年龄评估框架

重磅干货，第一时间送达

小白导读

论文是学术研究的精华和未来发展的明灯。小白决心每天为大家带来经典或者最新论文的解读和分享，旨在帮助各位读者快速了解论文内容。个人能力有限，理解难免出现偏差，建议对文章内容感兴趣的读者，一定要下载原文，了解具体内容。

摘要

由于骨龄评估过程复杂，骨龄评估在临床实践中具有挑战性。目前的自动骨龄评估方法在设计时很少考虑诊断逻辑，因此可能产生某些无法解释的隐藏状态和输出。因此，医生会发现很难与这些模型协调合作，因为很难检查模型预测的正确性。在这项工作中，作者提出了一个新的基于图形的深度学习框架，用于手部x线片骨年龄评估，称为医生模仿者(DI)。DI的架构设计是为了学习医生的诊断逻辑，使用骨龄评估的评分方法(如Tanner-Whitehouse方法)。具体来说，DI的卷积捕获手部x线片上的解剖感兴趣区域(ROI)的局部特征，并通过作者提出的基于解剖学的组卷积预测ROI得分，总结出骨龄预测。此外，作者开发了一个新的基于双图的注意模块来计算ROI特征的患者特定注意和ROI分数的上下文注意。据作者所知，DI是继评分方法之后第一个没有完全监督手片的自动骨龄评估框架。在仅进行骨龄监测的手片上进行的实验验证了DI在参数稀疏的情况下可以取得优异的性能，并提供了更多的可解释性。

论文创新点

这项工作有三个主要贡献。

(A)作者提出了一种新的深度学习模型来预测骨龄和ROI评分，遵循医生的诊断逻辑和评分方法。

(B)作者引入了一种新的基于双图的注意模块来计算患者特定注意和上下文注意，同时用两个图更新节点特征。

(C)实验表明，作者的DI框架仅在骨龄监督的情况下就可以预测ROI得分，从而提高了模型的可解释性。

框架结构

说明作者的两阶段医生模仿者框架。第一阶段(手势估计)，框定在蓝框中，预测roi的中心位置。第二阶段提取ROI的局部特征来预测ROI得分，并将其总结出来用于骨龄预测。基于双图的注意模块(DGAM)计算两个注意图，以帮助预测ROI得分。特征大小标记在特征地图的上方。

实验结果

与目前最先进的BoNet[1]的性能和模型复杂度进行了比较。括号中的百分比表示训练中使用的训练样本的百分比。RH表示RHPE, RS表示RSNA。*标记从作者运行的开放源代码中获得的BoNet结果。

对所提出的DI模块的消融研究。PA表示患者特定的注意，CA表示上下文的注意。

图示ROI分数(蓝色点)和ground truth ROI分数(黄色点)。x轴为患者指标，左y轴为ground truth ROI评分，右y轴为预测ROI评分。这些点是相连的，以便更好地显示地面真实分数和预测分数的一致性。

结论

在本文中，作者提出了一个自动骨龄评估模型，医生模仿者(DI)，通过模仿诊断物流的医生使用评分方法。提出了一种基于解剖结构的群卷积算法，通过处理ROI的局部特征来预测ROI的得分。此外，还引入了一种新的基于双图的注意模块来计算患者特有的注意和上下文注意，用于预测ROI评分。据作者所知，DI是继评分方法处理后第一个只监督骨龄的BAA框架。与目前的研究成果相比，DI模型复杂度低，可解释性好。

论文链接：https://arxiv.org/pdf/2102.05424.pdf

每日坚持论文分享不易，如果喜欢我们的内容，希望可以推荐或者转发给周围的同学。

- END -