基于卷积与长短期记忆神经网络的 3D CT 扫描中颅内出血的准确高效检测与亚型分类
计算机视觉与模式识别
2020-09-30 v3
摘要
在本文中，我们展示了用于 RSNA 颅内出血检测挑战赛的系统。所提出的系统基于轻量级深度神经网络架构，该架构由卷积神经网络（CNN）和长短期记忆（LSTM）网络组成，其中 CNN 以单个 CT 切片作为输入，LSTM 网络以 CNN 提供的特征嵌入作为输入。为了高效处理，我们考虑了多种特征选择方法，以生成供 LSTM 使用的有用 CNN 特征子集。此外，我们将 CT 切片缩减 2 倍，从而能够更快地训练模型。尽管我们的模型旨在平衡速度与精度，但我们在最终测试集上报告了 0.04989 的加权平均对数损失，使我们在总计 1345 名参与者中位列前 30 名（2%）。尽管我们的计算基础设施不允许，但以原始尺度处理 CT 切片可能会提高性能。为了使他人能够复现我们的结果，我们在 https://github.com/warchildmd/ihd 上开源了我们的代码。挑战赛后，我们进行了由放射科医生参与的主观颅内出血检测评估，表明我们的深度模型性能与专门阅读 CT 扫描的医生相当。我们工作的另一贡献是在系统中集成 Grad-CAM 可视化，为其预测提供有用的解释。因此，在需要快速诊断或颅内出血检测的第二意见时，我们将我们的系统视为一个可行的选择。
引用
@article{arxiv.2008.00302,
title = {Accurate and Efficient Intracranial Hemorrhage Detection and Subtype Classification in 3D CT Scans with Convolutional and Long Short-Term Memory Neural Networks},
author = {Mihail Burduja and Radu Tudor Ionescu and Nicolae Verga},
journal= {arXiv preprint arXiv:2008.00302},
year = {2020}
}
备注
Accepted at Sensors