一种融合眼动追踪、稀疏注意力模型与深度学习的协作式计算机辅助诊断（C-CAD）系统
计算机视觉与模式识别
2018-10-15 v2 人工智能
机器学习
摘要
放射筛查中至少存在两类可导致次优诊断决策与干预的错误：（i）人为易错性；（ii）视觉搜索的复杂性。计算机辅助诊断（CAD）工具被开发出来以帮助放射科医生弥补其中部分错误。然而，尽管相较于传统筛查策略有显著改进，大多数CAD系统由于产生大量假阳性（需要人工判读者进行纠正）而仅作为第二意见工具使用。在与放射影像计算机分析努力并进的同时，若干研究者考察了放射科医生在筛查医学图像时的行为，以更好地理解他们如何以及为何漏诊肿瘤、如何与图像中的信息交互、以及如何搜索图像中未知病灶。眼动追踪工具在探索这些基本问题的答案中发挥了重要作用。本文旨在开发一个范式转变的CAD系统，称为协作式CAD（C-CAD），其统一了上述两条研究路线：CAD与眼动追踪。我们设计了一个眼动追踪界面，为放射科医生提供真实的放射读片室体验。随后，我们提出一种融合眼动追踪数据与CAD系统的新算法。具体而言，我们提出一种新的基于图的聚类与稀疏化算法，将眼动追踪数据（注视）转化为信号模型，以定量与定性地解释注视模式。所提出的C-CAD通过眼动追踪技术与放射科医生协作，并帮助他们改进诊断决策。C-CAD通过处理放射科医生的注视模式来学习其搜索效率。为此，C-CAD在新设计的多任务学习平台中使用深度学习算法，同时分割并诊断癌症。
引用
@article{arxiv.1802.06260,
title = {A Collaborative Computer Aided Diagnosis (C-CAD) System with Eye-Tracking, Sparse Attentional Model, and Deep Learning},
author = {Naji Khosravan and Haydar Celik and Baris Turkbey and Elizabeth Jones and Bradford Wood and Ulas Bagci},
journal= {arXiv preprint arXiv:1802.06260},
year = {2018}
}
备注
Submitted to Medical Image Analysis Journal (MedIA)