用于 CT 中肺结节多属性分析的注意力增强跨任务网络
图像与视频处理
2022-06-13 v2 计算机视觉与模式识别
摘要
准确表征毛刺、分叶与钙化等肺结节的视觉属性在癌症诊疗中至关重要。这些属性的表征常具主观性，可能导致较高的观察者间与观察者内变异。此外，肺结节在三维体的横截面图像切片中常呈异质性。当前用于多属性评分的最先进方法依赖于基于深度学习的多任务学习（MTL）方案。然而，这些方法跨属性提取共享视觉特征，随后在不显式利用属性间固有相关性的情况下考察各属性。而且，当前方法要么平等对待各切片而不考虑其相关性与异质性，从而限制了性能。在本研究中，我们借助一种新的基于卷积神经网络（CNN）的 MTL 模型应对这些挑战，该模型融合多个基于注意力的学习模块，以同时评分 CT 图像体中肺结节的 9 个视觉属性。我们的模型处理任意深度的完整结节体，并使用切片注意力模块滤除无关切片。我们还引入跨属性与属性专用注意力模块，学习有意义表示的最优融合以利用属性间关系。我们利用来自逾 1000 名患者的知名公共 LIDC-IDRI 肺结节数据集证明，我们的模型在属性评分上优于先前最先进方法。我们的模型在转用于良恶性分类时也具竞争力。我们的注意力模块还提供易于解释的权重，从而洞察模型预测。
引用
@article{arxiv.2103.03931,
title = {Attention-Enhanced Cross-Task Network for Analysing Multiple Attributes of Lung Nodules in CT},
author = {Xiaohang Fu and Lei Bi and Ashnil Kumar and Michael Fulham and Jinman Kim},
journal= {arXiv preprint arXiv:2103.03931},
year = {2022}
}