[论文解读] A novel method for automatic localization of joint area on knee plain radiographs

Aleksei Tiulpin, Jérôme Thevenot+2 more|arXiv (Cornell University)|Jan 31, 2017

Osteoarthritis Treatment and Mechanisms参考文献 18被引用 5

一句话总结

该论文提出了一种新颖且计算高效的自动方法，用于在普通X光片中定位膝关节区域，结合了解剖学先验的候选区域生成与预训练SVM分类器的梯度方向直方图（HoG）特征。该方法在三个多样化数据集上分别取得了0.84、0.79和0.78的平均交并比（IoU）分数，展现出优异的泛化能力，适用于大规模膝骨关节炎（OA）诊断。

ABSTRACT

Osteoarthritis (OA) is a common musculoskeletal condition typically diagnosed from radiographic assessment after clinical examination. However, a visual evaluation made by a practitioner suffers from subjectivity and is highly dependent on the experience. Computer-aided diagnostics (CAD) could improve the objectivity of knee radiographic examination. The first essential step of knee OA CAD is to automatically localize the joint area. However, according to the literature this task itself remains challenging. The aim of this study was to develop novel and computationally efficient method to tackle the issue. Here, three different datasets of knee radiographs were used (n = 473/93/77) to validate the overall performance of the method. Our pipeline consists of two parts: anatomically-based joint area proposal and their evaluation using Histogram of Oriented Gradients and the pre-trained Support Vector Machine classifier scores. The obtained results for the used datasets show the mean intersection over the union equal to: 0.84, 0.79 and 0.78. Using a high-end computer, the method allows to automatically annotate conventional knee radiographs within 14-16ms and high resolution ones within 170ms. Our results demonstrate that the developed method is suitable for large-scale analyses.

研究动机与目标

• 为解决从普通X光片中手动诊断膝骨关节炎（OA）时存在的主观性和变异性问题。
• 开发一种计算高效且鲁棒的自动方法，用于在放射影像中定位膝关节区域，这是计算机辅助诊断（CAD）中的关键第一步。
• 通过确保在不同数据源中均保持高性能且无需大量微调，实现对大规模膝关节X光片数据集的分析。
• 通过在候选区域生成中融入解剖结构知识，改进现有的滑动窗口和基于模板的方法。
• 在多个数据集（包括OAI、MOST和Jyväskylä）上展示泛化能力，并保持一致的性能表现。

提出的方法

• 该方法利用基于解剖学的关节区域候选生成，避免了全面的滑动窗口搜索，从而降低计算成本。
• 候选区域基于膝关节预期的空间构型生成，利用解剖学先验指导区域选择。
• 每个候选区域通过提取其区域内的梯度方向直方图（HoG）特征，并使用预训练的支持向量机（SVM）进行分类。
• 最终检测结果选择为SVM得分最高的候选区域，确保关节定位的高置信度。
• 该流程针对速度进行了优化，在高端系统上处理标准分辨率图像耗时14–16毫秒，高分辨率图像耗时170毫秒。
• 该方法设计支持并行化处理，具备GPU加速潜力，并可通过降尺度策略进一步提升吞吐量。

实验结果

研究问题

• RQ1 基于解剖结构的新型候选区域生成策略是否能在普通X光片的膝关节定位任务中优于传统的滑动窗口方法？
• RQ2 所提出的方法在图像质量与采集协议各不相同的多个膝关节X光片数据集上，泛化能力如何？
• RQ3 该方法的计算效率如何？是否能够扩展至每天处理数十万至数百万张放射影像的大规模分析？
• RQ4 与依赖梯度检测的基线方法相比，引入解剖学先验在多大程度上提升了定位精度和鲁棒性？
• RQ5 该方法是否能够高效并行化或优化以部署于临床或研究环境中，满足高吞吐量需求？

主要发现

• 该方法在Jyväskylä、MOST和OKOA数据集上分别取得了0.84、0.79和0.78的平均交并比（IoU）分数，显著优于基线方法。
• 先前工作的基线方法在相同数据集上的平均IoU仅为0.10、0.33和0.26，充分证明了本方法的优越性。
• 在IoU阈值为0.5、0.7和0.8时，该方法的召回率均超过80%，表明其在多种病例中对关节区域的检测具有高度可靠性。
• 该方法效率极高，在高端计算机上处理标准分辨率膝关节X光片仅需14–16毫秒，高分辨率图像为170毫秒。
• 通过基于CPU的数据并行实现，该方法每天可处理超过600万张2500×2000尺寸的图像，支持大规模研究。
• 该方法在不同数据集间泛化良好，包括对存在伪影（如定位框架）的数据集，而这些伪影常导致基线方法误判。