基于噪声学生训练推进 T1 加权增强三维 MRI 中的脑转移瘤检测
图像与视频处理
2021-11-22 v2 计算机视觉与模式识别
摘要
在早期阶段检测脑转移瘤（BM）可对癌症患者的预后产生积极影响。我们先前开发了一个在 T1 加权增强三维磁共振图像（T1c）中检测小 BM（直径小于 15mm）的框架，以协助医学专家完成这一时间敏感且高风险的任务。该框架利用专用的卷积神经网络（CNN），使用带标签的 T1c 数据训练，其中 BM 真实分割由放射科医生提供。本研究旨在采用基于噪声学生的自训练策略推进该框架，以利用大量无标签 T1c 数据（即无 BM 分割或检测的数据）。相应地，该工作（1）描述了学生与教师 CNN 架构，（2）提出了数据与模型加噪机制，（3）引入了一种考虑框架已学习 BM 检测灵敏度的新颖伪标签策略。最后，它描述了利用这些组件的半监督学习策略。我们通过 2 折交叉验证使用 217 例带标签和 1247 例无标签 T1c 检查进行验证。仅使用带标签检查的框架在 90% BM 检测灵敏度下产生 9.23 个假阳性；而采用所引入学习策略的框架在相同灵敏度水平下使假检测减少约 9%（即 8.44）。此外，当使用 75% 和 50% 带标签数据集的实验导致算法性能下降（分别为 12.19 和 13.89 个假阳性）时，基于噪声学生的训练策略影响较不明显（分别为 10.79 和 12.37 个假阳性）。
引用
@article{arxiv.2111.05959,
title = {Advancing Brain Metastases Detection in T1-Weighted Contrast-Enhanced 3D MRI using Noisy Student-based Training},
author = {Engin Dikici and Xuan V. Nguyen and Matthew Bigelow and John. L. Ryu and Luciano M. Prevedello},
journal= {arXiv preprint arXiv:2111.05959},
year = {2021}
}