基于低剂量 CT 扫描的 3D 概率深度学习肺癌检测与诊断系统
计算机视觉与模式识别
2020-01-22 v3 机器学习
摘要
我们介绍了一种用于低剂量 CT 扫描肺癌筛查的新型计算机辅助检测与诊断系统，该系统可给出有意义的概率评估。我们的系统完全基于 3D 卷积神经网络，并在公开可用的 LUNA16 和 Kaggle Data Science Bowl 挑战赛上针对肺结节检测和恶性分类任务均取得了最先进的性能。虽然结节检测系统通常是独立设计和优化的，但我们发现考虑检测与诊断组件之间的耦合十分重要。利用这种耦合使我们能够开发一个端到端系统，其性能更高且更鲁棒，并消除了对结节检测假阳性削减阶段的需求。此外，我们对深度学习系统中的模型不确定性进行了表征，这在肺部 CT 分析中尚属首次，并表明我们可以利用这一点为结节检测和患者恶性诊断提供校准良好的分类概率。这些由模型不确定性提供信息的校准概率可用于后续基于风险的决策以指导诊断干预或疾病治疗，正如我们通过使用基于概率的患者转诊策略来进一步改善结果所展示的那样。
引用
@article{arxiv.1902.03233,
title = {A 3D Probabilistic Deep Learning System for Detection and Diagnosis of Lung Cancer Using Low-Dose CT Scans},
author = {Onur Ozdemir and Rebecca L. Russell and Andrew A. Berlin},
journal= {arXiv preprint arXiv:1902.03233},
year = {2020}
}