[论文解读] A New Window Loss Function for Bone Fracture Detection and Localization in X-ray Images with Point-based Annotation

Xinyu Zhang, Yirui Wang+6 more|arXiv (Cornell University)|Dec 7, 2020

COVID-19 diagnosis using AI参考文献 32被引用 7

一句话总结

本文提出了一种用于骨盆X光片中骨折检测与定位的新型Window Loss函数，采用基于点的标注方式，更好地处理了骨折边界模糊的问题。通过将点标注转换为具有下界/上界和不确定区域的像素级监督，该方法在4,410张骨盆X光片上实现了SOTA性能，AUROC为0.983，FROC得分为89.6%。

ABSTRACT

Object detection methods are widely adopted for computer-aided diagnosis using medical images. Anomalous findings are usually treated as objects that are described by bounding boxes. Yet, many pathological findings, e.g., bone fractures, cannot be clearly defined by bounding boxes, owing to considerable instance, shape and boundary ambiguities. This makes bounding box annotations, and their associated losses, highly ill-suited. In this work, we propose a new bone fracture detection method for X-ray images, based on a labor effective and flexible annotation scheme suitable for abnormal findings with no clear object-level spatial extents or boundaries. Our method employs a simple, intuitive, and informative point-based annotation protocol to mark localized pathology information. To address the uncertainty in the fracture scales annotated via point(s), we convert the annotations into pixel-wise supervision that uses lower and upper bounds with positive, negative, and uncertain regions. A novel Window Loss is subsequently proposed to only penalize the predictions outside of the uncertain regions. Our method has been extensively evaluated on 4410 pelvic X-ray images of unique patients. Experiments demonstrate that our method outperforms previous state-of-the-art image classification and object detection baselines by healthy margins, with an AUROC of 0.983 and FROC score of 89.6%.

研究动机与目标

• 为解决骨骨折检测中边界框标注的局限性，因复杂形态和缺乏清晰边界而存在模糊性。
• 开发一种成本低且灵活的标注方案，适用于空间范围不明确的病灶。
• 通过针对基于点的监督量身定制的新损失函数，提升骨骨折检测中的分类与定位性能。
• 验证基于下界和上界及不确定区域的像素级监督在提升模型鲁棒性与准确性方面的有效性。

提出的方法

• 使用基于点的标注标记局部骨折位置，避免对精确边界框的依赖。
• 通过下界和上界将点标注转换为像素级监督：正样本（在下界半径内）、不确定区域（在下界与上界之间）、负样本（在上界之外）。
• 提出一种新型Window Loss，仅对预测落在不确定区域外的样本进行惩罚，从而减少正常区域的误报。
• 采用带有全局平均池化和全卷积网络的深度学习模型，实现端到端训练。
• 在损失函数中使用均方误差（MSE）和Kullback–Leibler散度（KLD）作为差异度量。
• 应用特征金字塔网络（FPN）以增强多尺度特征学习，提升定位性能。

实验结果

研究问题

• RQ1 基于点的标注能否有效表示X光片中因边界框模糊而难以界定的骨折？
• RQ2 仅对预测结果在不确定区域外进行惩罚的Window Loss，相比标准损失函数，能否显著提升定位准确率？
• RQ3 Window Loss的最优配置应为下界半径（rℓ）、上界半径（ru）和平滑参数（τ）的何种组合？
• RQ4 通过有界区域建模不确定性，是否能带来更好的泛化能力与鲁棒性？

主要发现

• 所提方法在4,410张骨盆X光片上实现了0.983的AUROC和89.6%的FROC得分，优于当前最先进的图像分类与目标检测基线模型。
• 消融实验表明，缺省设置（rℓ=50, ru=200, τ=2）在分类与定位性能之间实现了最佳平衡。
• 将rℓ从50增加到150，FROC分别下降7.9%（MSE）和6.8%（KLD），表明更大的正样本区域会因包含正常组织而损害定位性能。
• 较高的τ值（如τ=10）会显著降低定位性能，导致Recall@0.1从87.4%降至69.6%（MSE），原因是监督信号过度平滑。
• τ=0的退化情况（二值掩码）实现了AUROC 0.980和FROC 85.4%，表明即使简化监督也优于标准方法。
• 在所有消融设置中，AUROC保持在0.984至0.986之间，表明对参数变化具有高度鲁棒性。