用于计算机断层扫描图像上肾上腺肿块亚类区分的深度多尺度相似网络
计算机视觉与模式识别
2022-08-08 v2
摘要
对计算机断层扫描（CT）检测到的肾上腺肿块病变进行准确分类，对诊断和患者管理十分重要。肾上腺肿块可为良性或恶性，且良性肿块的患病率各异。基于卷积神经网络（CNN）的分类方法在最大化大型医学影像训练数据集中的类间差异方面处于最优（SOTA）水平。由于肿块病变大小导致训练数据不平衡、类内差异大、类间相似度高，将 CNN 应用于肾上腺肿块具有挑战性。我们开发了深度多尺度相似网络（DMRN）以克服这些局限，并利用成对 CNN 评估类内相似性。我们采用多尺度特征嵌入，通过迭代组合输入不同尺度产生的互补信息来构建结构化特征描述子，从而改善类间可分离性。我们用随机采样的成对肾上腺肿块增强训练数据，以降低训练数据不平衡的影响。我们使用 229 例肾上腺肿块患者的 CT 扫描进行评估。在五折交叉验证中，与 SOTA 方法相比，我们的方法取得了最佳结果（准确率 89.52%，p<0.05）。我们在 ImageCLEF 2016 医学子图分类竞赛数据集上进行了方法的泛化性分析，该数据集包含 30 个类别的 6,776 张训练图像和 4,166 张测试图像。与现有方法相比，我们的方法取得了更好的分类性能（准确率 85.90%），且与需要额外训练数据的方法相比具有竞争力（准确率仅低 1.47%）。我们的 DMRN 对 CT 上的肾上腺肿块进行了亚类分类，并优于 SOTA 方法。
引用
@article{arxiv.2007.14625,
title = {Deep Multi-Scale Resemblance Network for the Sub-class Differentiation of Adrenal Masses on Computed Tomography Images},
author = {Lei Bi and Jinman Kim and Tingwei Su and Michael Fulham and David Dagan Feng and Guang Ning},
journal= {arXiv preprint arXiv:2007.14625},
year = {2022}
}
备注
22 pages