基于自训练的CT三维通用皮肤瘤检测与标记
计算机视觉与模式识别
2025-04-08 v1 人工智能
摘要
放射科医生通常需要执行在CT检查中进行繁琐的皮肤瘤局部化、分类和尺寸测量的任务。通用皮肤瘤检测与标记（ULDT）可以同时有助于减轻皮肤瘤测量的繁琐性，并实现肿瘤负荷评估。以往的ULDT方法利用公开的DeepLesion数据集，但该数据集未能提供皮肤瘤的完整三维（3D）范围，并且显示出严重的类别不平衡。在本工作中，我们提出了一种自训练管道，用于检测3D皮肤瘤并根据其发生部位对其进行标记。我们使用DeepLesion的显著受限的30%子集训练VFNet模型进行2D皮肤瘤检测和标记。随后，将2D皮肤瘤上下文扩展为3D，并将提取的3D皮肤瘤提议重新整合到基线训练数据中，以便进行多轮 retraining。通过自训练程序，我们的VFNet模型从自身预测中学习，检测3D皮肤瘤并对其进行标记。我们的结果表明，我们的VFNet模型在受限的30%数据子集下，以[0.125:8]误报（FP）比值实现了46.9%的平均灵敏度，与使用完整DeepLesion数据集的现有方法（46.8%）相当。鉴于我们是首次联合检测3D皮肤瘤并根据身体部位标签进行标记，我们的结果具有自明性。
引用
@article{arxiv.2504.05201,
title = {3D Universal Lesion Detection and Tagging in CT with Self-Training},
author = {Jared Frazier and Tejas Sudharshan Mathai and Jianfei Liu and Angshuman Paul and Ronald M. Summers},
journal= {arXiv preprint arXiv:2504.05201},
year = {2025}
}
备注
Published at SPIE Medical Imaging 2023