Robust Vertebra Identification Using Simultaneous Node and Edge Predicting Graph Neural Networks

摘要

该论文指出,在CT扫描中自动定位和识别椎骨对于众多临床应用很重要。现有方法大多集中在椎骨的位置定位,忽略了其方向信息。同时,这些方法通常在管道中使用启发式方法,在包含异常信息的实际临床图像中可能表现不太鲁棒。

作者提出了一种简单的管道方法,首先使用U-Net进行标准预测,然后采用单一的图神经网络来关联和分类椎骨,并预测其完整的方向信息。为了测试该方法,作者引入了一个新的椎骨数据集,其中包含与椎骨主体相关联的椎弓根检测,形成了一个更具挑战性的地标预测、关联和分类任务。

该方法能够准确地关联正确的主体和椎弓根地标,忽略误检,并在一个简单、完全可训练的管道中对椎骨进行分类,避免使用特定于应用的启发式方法。实验结果表明,该方法优于传统方法如匈牙利匹配和隐马尔可夫模型,在标准VerSe挑战赛的主体识别任务上也表现出竞争力。
代码地址

方法

1. 首先使用一个卷积神经网络(CNN)生成一个热图(heatmap)。
2. 从热图中提取局部最大值点,并使用k近邻算法将其连接成一个图结构。
3. 然后采用单一的图神经网络(GNN)进行以下操作:
4. 关联关键点(keypoints)
5. 执行分类
6. 过滤掉假阳性检测
7. 整个管道是端到端可训练的,不需要手动调整的后处理步骤。

实验结果