DeepLesion：利用大规模临床病变标注对重要放射影像发现进行自动化深度挖掘、分类与检测
计算机视觉与模式识别
2017-10-11 v2
摘要
提取、采集和构建大规模带标注的放射影像数据集是一个极其重要但充满挑战的问题。它也是为医学影像分析设计更有效的数据驱动计算范式（如深度学习）的瓶颈。然而，数十年来，大量临床标注（通常与疾病影像发现相关，并使用箭头、线条、病变直径、分割等方式标记）已被收集并存储于医院的影像归档和通信系统中。本文挖掘并采集了一类主要的临床标注数据——在书签图像上标注的病变直径——通过无监督和有监督的深度卷积神经网络（CNN）学习一个有效的多类别病变检测器。我们的数据集由来自4,477位独特患者的10,825项研究的33,688张书签放射影像组成。对于每张书签图像，根据其测量的直径创建一个边界框以覆盖目标病变。我们使用无监督深度挖掘方案对病变集合进行分类，以生成聚类的伪病变标签。接着，我们采用区域-CNN方法检测多类别病变，无论是否存在缺失标注（通常仅标注一个病变，尽管存在多个共存发现）。我们集成的挖掘、分类与检测框架通过有前景的实证结果得到验证，作为一个可扩展、通用或多用途的CAD范式，构建于丰富的回顾性医疗数据之上。此外，我们证明通过整合伪病变标签（如肝病变/肿瘤、肺结节/肿瘤、腹部病变、胸部淋巴结等），检测精度可显著提高。该数据集将公开发布（遵循开放科学倡议）。
引用
@article{arxiv.1710.01766,
title = {DeepLesion: Automated Deep Mining, Categorization and Detection of Significant Radiology Image Findings using Large-Scale Clinical Lesion Annotations},
author = {Ke Yan and Xiaosong Wang and Le Lu and Ronald M. Summers},
journal= {arXiv preprint arXiv:1710.01766},
year = {2017}
}