SG-LRA: Self-Generating Automatic Scoliosis Cobb Angle Measurement with Low-Rank Approximation

要約

X 線画像からの自動コブ角測定は、側弯症のスクリーニングと診断に不可欠です。
しかし、既存の回帰ベースの手法やセグメンテーションベースの手法のほとんどは、不正確なスパイン表現やマスクの接続性/断片化の問題に悩まされています。
さらに、ランドマークベースの手法では、トレーニング データと注釈が不十分であるという問題があります。
これらの課題に対処するために、自動コブ角度測定のための自己生成パイプラインと低ランク近似表現 (SG-LRA) を含む新しいフレームワークを提案します。
具体的には、固有脊椎分解と脊椎輪郭の再構成を可能にする、LRA に基づくパラメータ化された脊椎輪郭表現を提案します。
回帰された LRA 係数のみを使用して脊椎の輪郭を直接取得でき、これにより長方形のボックスよりも正確な脊椎表現が形成されます。
また、LRA 係数回帰とアンカー ボックス分類を組み合わせて、不正確な予測を解決し、接続性の問題をマスクします。
さらに、プライベート Spinal2023 データセットでトレーニングされた、反復的な方法での自動アノテーションと自動選択を備えたデータ エンジンを開発します。
当社のデータ エンジンを使用して、Spinal-AI2024 という名前の最大の脊柱側弯症 X 線データセットをほとんどプライバシーの漏洩なく生成します。
パブリック AASCE2019、プライベート Spinal2023、および生成された Spinal-AI2024 データセットに対する広範な実験により、私たちの方法が最先端のコブ角測定パフォーマンスを達成できることが実証されました。
私たちのコードと Spinal-AI2024 データセットは、それぞれ https://github.com/Ernestchenchen/SG-LRA と https://github.com/Ernestchenchen/Spinal-AI2024 で入手できます。

要約(オリジナル)

Automatic Cobb angle measurement from X-ray images is crucial for scoliosis screening and diagnosis. However, most existing regression-based methods and segmentation-based methods struggle with inaccurate spine representations or mask connectivity/fragmentation issues. Besides, landmark-based methods suffer from insufficient training data and annotations. To address these challenges, we propose a novel framework including Self-Generation pipeline and Low-Rank Approximation representation (SG-LRA) for automatic Cobb angle measurement. Specifically, we propose a parameterized spine contour representation based on LRA, which enables eigen-spine decomposition and spine contour reconstruction. We can directly obtain spine contour with only regressed LRA coefficients, which form a more accurate spine representation than rectangular boxes. Also, we combine LRA coefficient regression with anchor box classification to solve inaccurate predictions and mask connectivity issues. Moreover, we develop a data engine with automatic annotation and automatic selection in an iterative manner, which is trained on a private Spinal2023 dataset. With our data engine, we generate the largest scoliosis X-ray dataset named Spinal-AI2024 largely without privacy leaks. Extensive experiments on public AASCE2019, private Spinal2023, and generated Spinal-AI2024 datasets demonstrate that our method achieves state-of-the-art Cobb angle measurement performance. Our code and Spinal-AI2024 dataset are available at https://github.com/Ernestchenchen/SG-LRA and https://github.com/Ernestchenchen/Spinal-AI2024, respectively.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google