CAE-Transformer：基于 Transformer 的模型从非薄层三维 CT 扫描预测肺腺癌亚实性结节侵袭性
图像与视频处理
2022-01-26 v3 计算机视觉与模式识别
机器学习
摘要
肺癌是全球癌症死亡的首要原因，具有多种组织学类型，其中肺腺癌（LUAC）近来最为常见。当前确定 LUAC 侵袭性的方法是手术切除，这并非及时对抗肺癌的可行方案。另一种方法是分析胸部计算机断层扫描（CT）。然而，放射科医生基于 CT 图像的分析具有主观性，可能导致较低准确率。本文开发了一个称为“CAE-Transformer”的基于 Transformer 的框架，使用整张 CT 图像而非精细标注的结节来高效分类 LUAC。所提出的 CAE-Transformer 能在小数据集上实现高准确率，且仅需放射科医生少量监督。CAE-Transformer 利用编码器从 CT 切片中自动提取信息性特征，随后将其输入一个改进的 Transformer 以捕获全局切片间关系并给出分类标签。在我们包含 114 个经病理证实的亚实性结节（SSN）的院内数据集上的实验结果表明，CAE-Transformer 优于同类方法，采用 10 折交叉验证取得了 87.73% 的准确率、88.67% 的灵敏度、86.33% 的特异度以及 0.913 的 AUC。
引用
@article{arxiv.2110.08721,
title = {CAE-Transformer: Transformer-based Model to Predict Invasiveness of Lung Adenocarcinoma Subsolid Nodules from Non-thin Section 3D CT Scans},
author = {Shahin Heidarian and Parnian Afshar and Anastasia Oikonomou and Konstantinos N. Plataniotis and Arash Mohammadi},
journal= {arXiv preprint arXiv:2110.08721},
year = {2022}
}