通过决策分层在3D肿瘤影像中检测分散分布、微小且至关重要的目标

在3D肿瘤影像中寻找并识别分散分布、微小且至关重要的目标极具挑战性。我们聚焦于肿瘤学意义（或可疑癌转移）淋巴结（OSLN）的检测与分割，此前尚未作为计算任务被研究过。确定并勾画OSLN的扩散范围对于界定各类癌症手术切除与放射治疗的下游工作流中相应的切除/照射区域至关重要。对于接受放疗的患者，该任务由经验丰富的放射肿瘤学家执行，涉及对淋巴结是否转移的高层推理，且观察者间差异较大。本工作中，我们提出一种分治决策分层方法，将OSLN分为瘤旁与瘤远两类。其动机在于观察到每一类在外观、大小及其他特征上各有不同的底层分布。我们按类别分别训练两个检测即分割网络并融合。为进一步降低假阳性（FP），我们提出一种新颖的全局-局部网络（GLNet），将高层病灶特征与从局部化3D图像块中学习到的特征相结合。我们的方法在一个包含141名食管癌患者、具有PET与CT模态的数据集上评估（迄今最大）。相比先前最先进方法，我们的结果在每患者3个FP时将召回率从$45\%$显著提升至$67\%$。所达到的最高OSLN召回率$0.828$具有临床相关性与价值。