[论文解读] Vertebra-Focused Landmark Detection for Scoliosis Assessment

Jingru Yi, Pengxiang Wu+3 more|arXiv (Cornell University)|Jan 9, 2020

Scoliosis diagnosis and treatment参考文献 17被引用 10

一句话总结

该论文提出了一种专注于椎体的脊柱侧弯评估骨科标志点检测方法，首先通过热力图定位椎体中心，再通过学习到的偏移量追踪角点标志点，在低对比度X射线图像上实现了优于基于回归和分割基线方法的标志点检测精度（误差50.11）和Cobb角测量精度（SMAPE 10.81）。

ABSTRACT

Adolescent idiopathic scoliosis (AIS) is a lifetime disease that arises in children. Accurate estimation of Cobb angles of the scoliosis is essential for clinicians to make diagnosis and treatment decisions. The Cobb angles are measured according to the vertebrae landmarks. Existing regression-based methods for the vertebra landmark detection typically suffer from large dense mapping parameters and inaccurate landmark localization. The segmentation-based methods tend to predict connected or corrupted vertebra masks. In this paper, we propose a novel vertebra-focused landmark detection method. Our model first localizes the vertebra centers, based on which it then traces the four corner landmarks of the vertebra through the learned corner offset. In this way, our method is able to keep the order of the landmarks. The comparison results demonstrate the merits of our method in both Cobb angle measurement and landmark detection on low-contrast and ambiguous X-ray images. Code is available at: \url{https://github.com/yijingru/Vertebra-Landmark-Detection}.

研究动机与目标

• 解决在低对比度和模糊的脊柱X射线图像中标志点定位与Cobb角测量不准确的问题。
• 克服基于回归方法的局限性，此类方法因下采样导致分辨率损失和参数量过高。
• 改进基于分割的方法，此类方法常产生被破坏或连接的掩码，从而破坏标志点的顺序。
• 通过先检测中心点再从每个中心点追踪角点，确保跨椎体的标志点顺序正确。
• 在不使用密集映射的情况下实现高分辨率输入处理，提升复杂解剖区域的细粒度定位能力。

提出的方法

• 该方法使用基于ResNet34的编码器-解码器网络，预测椎体中心热力图和中心偏移量，以实现精确的中心定位。
• 从每个检测到的中心点出发，模型通过学习到的角点偏移量回归出四个角点标志点，确保每个椎体内的标志点顺序正确。
• 网络在编码器与解码器特征之间采用跳跃连接，以保留空间细节并提高定位精度。
• 通过将中心点预测与角点偏移回归相结合进行标志点检测，避免了密集映射，减少了参数量。
• 模型采用端到端训练，使用关键点检测损失函数，最小化预测与真实标志点坐标之间的L2距离。
• 输入图像被调整为1024×512以保留高分辨率细节，从而在性能上优于低分辨率基线方法。

实验结果

研究问题

• RQ1 基于关键点的方法是否能在低对比度X射线图像上，通过先定位椎体中心再追踪角点，优于基于回归的方法进行标志点检测？
• RQ2 与基于分割的方法相比，基于中心点的检测是否能减少因椎体重叠或模糊导致的错误？
• RQ3 该方法是否能在图像噪声和低对比度条件下，仍保持椎体间标志点的正确顺序？
• RQ4 该椎体聚焦方法在标志点检测与Cobb角测量方面，与基于回归和基于分割的基线方法相比表现如何？
• RQ5 高分辨率输入处理在多大程度上提升了脊柱X射线图像中标志点定位的精度？

主要发现

• 所提方法在标志点检测中实现了最低的误差50.11像素（与真实值的L2距离），显著优于基于回归的方法（77.94）和基于分割的方法（74.07）。
• 在Cobb角测量中，该方法取得了最佳的SMAPE值10.81，优于基于回归的方法（23.43）和基于分割的方法（16.48），表明其在脊柱弯曲评估中具有更高的准确性。
• 在定性结果中，该方法在低对比度区域表现出鲁棒性，即使在椎体模糊或定义不清的情况下仍能正确地定位标志点。
• 基于分割的方法在6个测试案例中的5个（如案例1和6）未能分离连接的椎体，导致标志点顺序错误和更高的误差率。
• 基于回归的方法因下采样至512×256导致分辨率损失，尽管标志点顺序较好，但细粒度定位性能下降。
• 该模型保持了良好的对象推理能力，例如在案例5中某一椎体未被检测到，但未影响其他椎体的检测，表明其具有鲁棒性和模块化特性。