Navigating limitations with precision: A fine-grained ensemble approach to wrist pathology recognition on a limited x-ray dataset

要約

手首骨折の自動認識の探求は、近年かなりの研究注目を集めています。
実際の医療シナリオでは、医師や外科医には正確な X 線読影に必要な専門知識が不足している可能性があり、診断精度を高めるためのマシン ビジョンの必要性が強調されています。
しかし、骨折などの手首の病変の多くは小さく、区別するのが難しいため、従来の認識技術では、手首の病変を分類する際に X 線の微妙な違いを識別するという課題に直面しています。
この研究では、画像レベルの注釈のみに依存し、現実世界の医療上の制約を反映した限定されたカスタムキュレートされたデータセットを利用して、細粒度視覚認識 (FGVR) 問題として手首の病理認識に取り組みます。
X 線内の識別領域を特定するために、特殊な FGVR ベースのアンサンブル アプローチを導入します。
これらの領域を正確に特定するために、Grad-CAM と呼ばれる Explainable AI (XAI) 技術を採用しています。
当社のアンサンブル アプローチは、多くの従来の SOTA および FGVR 技術を上回っており、手首の病状認識の精度を向上させる当社の戦略の有効性を強調しています。

要約(オリジナル)

The exploration of automated wrist fracture recognition has gained considerable research attention in recent years. In practical medical scenarios, physicians and surgeons may lack the specialized expertise required for accurate X-ray interpretation, highlighting the need for machine vision to enhance diagnostic accuracy. However, conventional recognition techniques face challenges in discerning subtle differences in X-rays when classifying wrist pathologies, as many of these pathologies, such as fractures, can be small and hard to distinguish. This study tackles wrist pathology recognition as a fine-grained visual recognition (FGVR) problem, utilizing a limited, custom-curated dataset that mirrors real-world medical constraints, relying solely on image-level annotations. We introduce a specialized FGVR-based ensemble approach to identify discriminative regions within X-rays. We employ an Explainable AI (XAI) technique called Grad-CAM to pinpoint these regions. Our ensemble approach outperformed many conventional SOTA and FGVR techniques, underscoring the effectiveness of our strategy in enhancing accuracy in wrist pathology recognition.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google