使用深度卷积网络的医学图像解剖特异性分类
计算机视觉与模式识别
2015-09-17 v1
摘要
人体解剖结构的自动分类是许多计算机辅助诊断系统的重要前提。人体全身解剖结构在空间上的复杂性与变异性使分类变得困难。“深度学习”方法如卷积网络（ConvNets）在图像分类任务中优于其他最先进方法。在本工作中，我们提出一种利用卷积网络对计算机断层扫描（CT）获取的医学图像进行器官或身体部位特异性解剖分类的方法。我们训练了一个卷积网络，使用4298张独立的轴向2D关键图像来学习5个解剖类别。关键图像从一家医院的PACS存档中挖掘，使用了一组1675名患者。我们表明数据增强方法有助于丰富数据集并提高分类性能。使用卷积网络和数据增强，我们在测试中达到了解剖特异性分类错误率5.9 %以及曲线下面积（AUC）平均值0.998。我们证明深度学习可用于训练非常可靠且准确的分类器，以初始化进一步的计算机辅助诊断。
引用
@article{arxiv.1504.04003,
title = {Anatomy-specific classification of medical images using deep convolutional nets},
author = {Holger R. Roth and Christopher T. Lee and Hoo-Chang Shin and Ari Seff and Lauren Kim and Jianhua Yao and Le Lu and Ronald M. Summers},
journal= {arXiv preprint arXiv:1504.04003},
year = {2015}
}
备注
Presented at: 2015 IEEE International Symposium on Biomedical Imaging, April 16-19, 2015, New York Marriott at Brooklyn Bridge, NY, USA