通过神经网络回归基于强度的距离实现自动病灶检测
图像与视频处理
2019-07-30 v1 计算机视觉与模式识别
机器学习
摘要
在脑MRI上定位局灶性血管病灶是研究神经系统疾病病因的重要组成部分。然而，手动标注病灶可能具有挑战性、耗时且受观察者偏倚影响。自动检测方法通常需要体素级标注用于训练。我们提出了一种新颖的自动病灶检测方法，可在仅以每个病灶一个点标注的扫描上训练，而非完整分割。根据点标注及其对应的强度图像，我们计算各种距离图（DMs），指示基于空间距离、强度距离或两者结合到病灶的距离。我们训练一个全卷积神经网络（FCN）来预测这些未见强度图像对应的DMs。预测DMs中的局部极值预期对应于病灶位置。我们在一个大型脑MRI数据集上展示了该方法检测白质内扩大的血管周围间隙的潜力，其独立测试集为1000次扫描。我们的方法在与独立集上计算的专家评分者组内表现相匹配。我们比较了不同类型的距离图，表明在用于训练FCN的距离图中纳入强度信息可大幅提升性能。
引用
@article{arxiv.1907.12452,
title = {Automated Lesion Detection by Regressing Intensity-Based Distance with a Neural Network},
author = {Kimberlin M. H. van Wijnen and Florian Dubost and Pinar Yilmaz and M. Arfan Ikram and Wiro J. Niessen and Hieab Adams and Meike W. Vernooij and Marleen de Bruijne},
journal= {arXiv preprint arXiv:1907.12452},
year = {2019}
}
备注
MICCAI 2019