利用深度卷积神经网络观测的随机集进行淋巴结检测的新型 2.5D 表示
计算机视觉与模式识别
2015-09-17 v1 机器学习
神经与进化计算
摘要
自动淋巴结 (LN) 检测是一项重要的临床诊断任务，但由于计算机断层扫描 (CT) 中周围结构的对比度低，且其大小、姿态、形状各异且分布稀疏，因此极具挑战性。最先进的研究表明，通过对 3D HAAR 特征进行一次性提升，纵隔淋巴结的灵敏度范围为 3.1 个假阳性/体积 (FP/vol.) 时达到 52.9%，或 6.1 FP/vol. 时达到 60.9%。在本文中，我们首先操作一个初步候选生成阶段，以高假阳性水平（每位患者 40 个）为代价实现接近 100% 的灵敏度，从而采集感兴趣体积 (VOI)。我们的 2.5D 方法随后通过相对于 VOI 质心坐标的缩放、随机平移和旋转，对任何 3D VOI 进行 N 次重采样 2D 重格式化正交视图来进行分解。这些随机视图随后用于训练深度卷积神经网络 (CNN) 分类器。在测试中，CNN 被用于为所有 N 个随机视图分配 LN 概率，这些概率可以简单地作为集合进行平均，以计算每个 VOI 的最终分类概率。我们在两个数据集上验证了该方法：包含 388 个纵隔淋巴结的 90 个 CT 体积，以及包含 595 个腹部淋巴结的 86 名患者。我们在纵隔和腹部分别实现了 3 FP/vol. 时 70%/83% 的灵敏度，以及 6 FP/vol. 时 84%/90% 的灵敏度，这极大地改进了之前的最先进工作。
引用
@article{arxiv.1406.2639,
title = {A New 2.5D Representation for Lymph Node Detection using Random Sets of Deep Convolutional Neural Network Observations},
author = {Holger R. Roth and Le Lu and Ari Seff and Kevin M. Cherry and Joanne Hoffman and Shijun Wang and Jiamin Liu and Evrim Turkbey and Ronald M. Summers},
journal= {arXiv preprint arXiv:1406.2639},
year = {2015}
}
备注
This article will be presented at MICCAI (Medical Image Computing and Computer-Assisted Interventions) 2014