用于统一医学影像中 3-D 输入数据分析与决策的深度神经架构
图像与视频处理
2023-03-03 v2 计算机视觉与模式识别
机器学习
摘要
统一数据分析，尤其是包含不同切片数量且按体标注的 3-D 图像体数据，在训练和使用深度神经网络于包括医学影像在内的各类应用中是一个重要问题。此外，统一网络在不同输入数据集上的决策对于生成丰富的数据驱动知识及在应用中可信使用至关重要。本文提出一种名为 RACNet 的新型深度神经架构，其包含路由与特征对齐步骤，有效处理 3-D 图像输入的不同输入长度与单标注，同时提供高准确度的决策。此外，通过从训练好的 RACNet 中提取潜变量，生成一组锚点，进一步揭示网络决策过程。这些可用于丰富和统一从不同数据集中提取的数据驱动知识。一项广泛的实验研究阐明了上述进展，重点通过对来自不同国家和医疗中心生成的数据库中的 3-D 胸部 CT 扫描分析进行 COVID-19 诊断。
引用
@article{arxiv.2303.00175,
title = {A Deep Neural Architecture for Harmonizing 3-D Input Data Analysis and Decision Making in Medical Imaging},
author = {Dimitrios Kollias and Anastasios Arsenos and Stefanos Kollias},
journal= {arXiv preprint arXiv:2303.00175},
year = {2023}
}