基于轻量级伪 3D 卷积与表面点回归的深度体积通用病灶检测
计算机视觉与模式识别
2020-09-01 v1
摘要
从患者 CT 扫描中准确且全面地识别、测量和报告病灶是医生重要却耗时的流程。计算机辅助病灶/显著发现检测技术是医学影像的核心，但由于 3D 成像中病灶外观、位置与尺寸分布的极大变异性，其仍极具挑战。本工作中，我们提出一种新颖的深层无锚框单阶段 VULD 框架，其包含：（1）P3DC 算子，以复用现成 2D 网络（尤其是具有大容量以应对数据方差者）的架构配置与预训练权重；（2）一种新的 SPR 方法，通过精确定位病灶表面上的代表性关键点来有效回归 3D 病灶空间范围。实验验证首先在公开大规模 NIH DeepLesion 数据集上进行，我们所提方法取得了新的最先进定量性能。我们还在内部数据集上测试 VULD 用于肝肿瘤检测。VULD 在 CT 成像的大规模与小规模肿瘤数据集中均具有良好泛化性。
引用
@article{arxiv.2008.13254,
title = {Deep Volumetric Universal Lesion Detection using Light-Weight Pseudo 3D Convolution and Surface Point Regression},
author = {Jinzheng Cai and Ke Yan and Chi-Tung Cheng and Jing Xiao and Chien-Hung Liao and Le Lu and Adam P. Harrison},
journal= {arXiv preprint arXiv:2008.13254},
year = {2020}
}
备注
Accepted by MICCAI2020