在鼠标骨中使用多视图X射线图像进行异常分类的层次深度学习:卷积自编码器与ConvNeXt对比
Muhammad M Jawaid1, Rasneer S Bains2, Sara Wells2
1School of Engineering & Physical Sciences, College of Health & Science, University of Lincoln, Brayford Pool, Lincoln LN6 7TS, UK.
Journal of imaging
|October 28, 2025
概括
多视图成像显著提高了小鼠的骨异常检测,特别是复杂的多标签病例. 具有多个视图的等级学习比单个视图方法提高了分类准确性.
科学领域:
- 生物医学成像学 生物医学成像学
- 机器学习是机器学习.
- 计算生物学是一种计算生物学.
背景情况:
- 单视图异常检测缺乏多标签问题的上下文.
- 多视图成像为分类任务提供更丰富的上下文信息.
研究的目的:
- 为了评估多视图 (MV) 图像数据与层次学习用于骨异常检测的有效性.
- 在多标签环境中,将MV分类与单视图方法的性能进行比较.
主要方法:
- 从170,958张国际老鼠表型化联盟 (IMPC) 图像中策划了一个样本智能的MV数据集.
- 开发了两种使用ConvNeXT和卷积自编码器 (CAE) 骨架的等级分类框架.
- 训练有素的模型在三个层次的层次上增加了解剖细粒度.
主要成果:
- MV分类的表现与最高层次层级的单个视图相比较 (L1,平均AUC为0.95).
- 使用MV数据的等级模型与单个视图相比,在较低的水平 (L2和L3) 显著改善了分类 (例如,L2:DV 0.65,LV 0.76,MV 0.87;L3:DV 0.54,LV 0.59,MV 0.82).
- 无论是ConvNeXT还是CAE架构都展示了MV数据在检测特定骨异常方面的优势.
结论:
- 多视图图像数据与层次学习相结合,有利于检测骨异常.
- 这种方法通过提供增强的上下文信息,有效地解决了多标签异常检测方面的挑战.
