基于自监督特征提取的骨骼X线影像异常检测方法

作     者：张雨宁 阿布都克力木·阿布力孜 梅悌胜 徐春 麦尔达娜·买买提热依木 哈里旦木·阿布都克里木 侯钰涛 ZHANG Yuning;ABULIZI Abudukelimu;MEI Tisheng;XU Chun;MAIMAITIREYIMU Maierdana;ABUDUKELIMU Halidanmu;HOU Yutao

作者机构：新疆财经大学信息管理学院乌鲁木齐830012 新疆财经大学统计与数据科学学院乌鲁木齐830012 陕西中医药大学第一临床医学院西安712046 

出 版 物：《计算机应用》 (journal of Computer Applications)

年 卷 期：2024年第44卷第1期

页      面：175-181页

学科分类：081203[工学-计算机应用技术] 08[工学] 0835[工学-软件工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：国家自然科学基金资助项目(62266041 61866035 61966033) 

主　　题：自监督学习 特征提取 X线影像 深度学习 异常检测 

摘      要：为探索自监督特征提取方法在骨骼X线影像异常检测方面的可行性,提出了基于自监督特征提取的骨骼X线影像异常检测方法。将自监督学习框架与ViT(Vision Transformer)模型结合用于骨骼异常检测的特征提取,并通过线性分类器进行异常检测分类,在特征提取阶段可有效避免有监督模型对大规模有标注数据的依赖性。在公开的骨骼X线影像数据集上进行实验,采用准确率分别评估预训练的卷积神经网络(CNN)和自监督特征提取的骨骼异常检测模型。实验结果表明,自监督特征提取模型相较于一般的CNN模型效果更优,在7个部位分类结果与有监督的CNN模型ResNet50相差无几,但在肘部、手指、肱骨的异常检测中准确率均取得了最优值,平均准确率提升了5.37个百分点。所提方法易于实现,可以作为放射科医生初步诊断的可视化辅助工具。