S'abonner

Automatic knee meniscus tear detection and orientation classification with Mask-RCNN - 05/04/19

Doi : 10.1016/j.diii.2019.03.002 
V. Couteaux a, b, , S. Si-Mohamed c, d, O. Nempont a, T. Lefevre a, A. Popoff a, G. Pizaine a, N. Villain a, I. Bloch b, A. Cotten e, L. Boussel c, d
a Philips Research France, 33, rue de Verdun, 92150 Suresnes, France 
b LTCI, Télécom ParisTech, université Paris-Saclay, 46, rue Barrault, 75013 Paris, France 
c Inserm U1206, INSA-Lyon, Claude-Bernard-Lyon 1 University, CREATIS, CNRS UMR 5220, 69100 Villeurbanne, France 
d Department of Radiology, hospices civils de Lyon, 69002 Lyon, France 
e Department of Musculoskeletal Radiology, CHRU de Lille, 59000 Lille, France 

Corresponding author. Philips Research France, 33, rue de Verdun, 92150 Suresnes, France.Philips Research France33, rue de VerdunSuresnes92150France

Bienvenue sur EM-consulte, la référence des professionnels de santé.
Article gratuit.

Connectez-vous pour en bénéficier!

Abstract

Purpose

This work presents our contribution to a data challenge organized by the French Radiology Society during the Journées Francophones de Radiologie in October 2018. This challenge consisted in classifying MR images of the knee with respect to the presence of tears in the knee menisci, on meniscal tear location, and meniscal tear orientation.

Materials and methods

We trained a mask region-based convolutional neural network (R-CNN) to explicitly localize normal and torn menisci, made it more robust with ensemble aggregation, and cascaded it into a shallow ConvNet to classify the orientation of the tear.

Results

Our approach predicted accurately tears in the database provided for the challenge. This strategy yielded a weighted AUC score of 0.906 for all three tasks, ranking first in this challenge.

Conclusion

The extension of the database or the use of 3D data could contribute to further improve the performances especially for non-typical cases of extensively damaged menisci or multiple tears.

Le texte complet de cet article est disponible en PDF.

Keywords : Knee meniscus, Artificial intelligence, Mask region-based convolutional neural network (R-CNN), Meniscal tear detection, Orientation classification


Plan


© 2019  Soci showét showé françaises de radiologie. Publié par Elsevier Masson SAS. Tous droits réservés.
Ajouter à ma bibliothèque Retirer de ma bibliothèque Imprimer
Export

    Export citations

  • Fichier

  • Contenu

Vol 100 - N° 4

P. 235-242 - avril 2019 Retour au numéro
Article précédent Article précédent
  • Diagnosis of focal liver lesions from ultrasound using deep learning
  • B. Schmauch, P. Herent, P. Jehanno, O. Dehaene, C. Saillard, C. Aubé, A. Luciani, N. Lassau, S. Jégou
| Article suivant Article suivant
  • Artificial intelligence to diagnose meniscus tears on MRI
  • V. Roblot, Y. Giret, M. Bou Antoun, C. Morillot, X. Chassin, A. Cotten, J. Zerbib, L. Fournier

Bienvenue sur EM-consulte, la référence des professionnels de santé.

Mon compte


Plateformes Elsevier Masson

Déclaration CNIL

EM-CONSULTE.COM est déclaré à la CNIL, déclaration n° 1286925.

En application de la loi nº78-17 du 6 janvier 1978 relative à l'informatique, aux fichiers et aux libertés, vous disposez des droits d'opposition (art.26 de la loi), d'accès (art.34 à 38 de la loi), et de rectification (art.36 de la loi) des données vous concernant. Ainsi, vous pouvez exiger que soient rectifiées, complétées, clarifiées, mises à jour ou effacées les informations vous concernant qui sont inexactes, incomplètes, équivoques, périmées ou dont la collecte ou l'utilisation ou la conservation est interdite.
Les informations personnelles concernant les visiteurs de notre site, y compris leur identité, sont confidentielles.
Le responsable du site s'engage sur l'honneur à respecter les conditions légales de confidentialité applicables en France et à ne pas divulguer ces informations à des tiers.


Tout le contenu de ce site: Copyright © 2024 Elsevier, ses concédants de licence et ses contributeurs. Tout les droits sont réservés, y compris ceux relatifs à l'exploration de textes et de données, a la formation en IA et aux technologies similaires. Pour tout contenu en libre accès, les conditions de licence Creative Commons s'appliquent.