集成肺结节检测与假阳性归约的端到端框架
计算机视觉与模式识别
2019-03-26 v1 人工智能
机器学习
摘要
使用低剂量计算机断层扫描(CT)进行肺结节检测通常是肺部疾病筛查与诊断的第一步。近年来，基于深度卷积神经网络的算法在自动结节检测方面展现出了巨大潜力。现有的大多数深度学习结节检测系统均采用两步构建：a) 结节候选筛查和 b) 假阳性归约，使用两个独立训练的不同模型。尽管这种两步法被广泛采用，但它不仅给训练两个独立的深度学习模型带来了显著的资源开销，而且由于阻碍了两者之间的交互，导致其并非最优。在本工作中，我们提出了一种用于结节检测的端到端框架，将结节候选筛查与假阳性归约集成至一个模型中进行联合训练。我们证明，该端到端系统较两步法提升了 3.88\% 的性能，同时将模型复杂度降低了三分之一，并将推理时间缩短了 3.6 倍。代码将公开发布。
引用
@article{arxiv.1903.09880,
title = {An End-to-end Framework For Integrated Pulmonary Nodule Detection and False Positive Reduction},
author = {Hao Tang and Xingwei Liu and Xiaohui Xie},
journal= {arXiv preprint arXiv:1903.09880},
year = {2019}
}
备注
2019 IEEE 16th International Symposium on Biomedical Imaging (ISBI 2019)