基于标签比例的深度学习用于肺气肿量化
计算机视觉与模式识别
2018-07-24 v1
摘要
我们提出一种端到端深度学习方法，学习从病变组织比例估计肺气肿程度。这些比例由专家使用标准分级系统视觉估计，其中分级对应于区间（标签示例：1-5%病变组织）。所提架构编码了标签代表体积比例这一知识。设计了一种自定义损失以使用区间进行学习。因此，在训练期间，我们的网络学习分割病变组织，使其比例符合真值区间。与更常规的回归网络相比，我们的架构与损失结合大幅提升了性能（ICC提高8%）。我们以较大优势（至少AUC提高7%、ICC提高15%）优于传统肺密度测定及两种近期发表的肺气肿量化方法，并达到接近人类水平的性能。此外，我们的方法生成的肺气肿分割可在人类水平预测肺气肿的空间分布。
引用
@article{arxiv.1807.08601,
title = {Deep Learning from Label Proportions for Emphysema Quantification},
author = {Gerda Bortsova and Florian Dubost and Silas Ørting and Ioannis Katramados and Laurens Hogeweg and Laura Thomsen and Mathilde Wille and Marleen de Bruijne},
journal= {arXiv preprint arXiv:1807.08601},
year = {2018}
}
备注
Accepted to MICCAI 2018