基于虚拟多视角投影与重建的3D无监督异常检测与定位：在低剂量胸部CT上的临床验证
图像与视频处理
2022-06-28 v1 计算机视觉与模式识别
机器学习
摘要
基于深度学习的低剂量计算机断层扫描（CT）计算机辅助诊断近期因其高精度与低辐射暴露而作为一线自动检测工具受到关注。然而，现有方法依赖监督学习，给医生带来收集疾病数据或标注网络训练空间标签的额外负担，从而阻碍其应用。我们提出一种基于深度神经网络的计算机辅助诊断方法，称为用于无监督异常检测的虚拟多视角投影与重建。据推测，这是首个仅需健康患者数据训练即可识别包含任意异常的三维（3D）区域的方法。该方法有三个关键组成部分。与现有以常规CT切片为网络输入的计算机辅助诊断工具不同，我们的方法：1) 通过将提取的3D肺区域虚拟投影以获得来自多样视角的二维（2D）图像作为网络输入，从而改进对3D肺结构的识别；2) 利用输入多样性增益实现准确异常检测；3) 通过一种利用多张2D异常图的新型3D图复原方法实现3D异常/疾病定位。所提基于无监督学习的方法在患者级异常检测上较基于监督学习的金标准（曲线下面积0.848）提升10%（曲线下面积0.959），并以93%准确率定位异常区域，展现出高性能。
引用
@article{arxiv.2206.13385,
title = {3D unsupervised anomaly detection and localization through virtual multi-view projection and reconstruction: Clinical validation on low-dose chest computed tomography},
author = {Kyung-Su Kim and Seong Je Oh and Ju Hwan Lee and Myung Jin Chung},
journal= {arXiv preprint arXiv:2206.13385},
year = {2022}
}
备注
Kyung-Su Kim and Seong Je Oh have contributed equally to this work as the co-first author. Kyung-Su Kim ([email protected]) and Myung Jin Chung ([email protected]) have contributed equally to this work as the co-corresponding author