通过深度卷积神经网络分类的随机聚合检测硬化性脊柱转移瘤
计算机视觉与模式识别
2014-07-23 v1
摘要
计算机断层扫描 (CT) 图像中硬化性转移瘤（骨病变）的自动检测有望成为临床实践和研究中的重要工具。最先进的方法在每体积 10 个假阳性 (FP) 的情况下，显示出 79% 的灵敏度或真阳性 (TP) 率。我们设计了一个两层由粗到细的级联框架，首先运行一个高灵敏度的候选生成系统，其最大灵敏度约为 92%，但假阳性水平较高（每位患者约 50 个）。在此步骤中生成病变候选区域的感兴趣区域 (ROI)，并作为第二层的输入。在第二层中，我们相对于每个 ROI 质心坐标，通过缩放、随机平移和旋转生成 N 个 2D 视图。这些随机视图用于训练深度卷积神经网络 (CNN) 分类器。在测试中，CNN 被用于为一组新的 N 个随机视图分配单独的概率，并在每个 ROI 处对这些概率进行平均，以计算最终的每个候选分类概率。第二层表现为一个高度选择性的过程，旨在拒绝困难的假阳性，同时保持高灵敏度。我们在 59 名患者（49 名患有硬化性转移瘤，10 名为正常对照）的 CT 图像上验证了该方法。与测试中分别为 60%、70% 和 80% 的灵敏度率相比，所提出的方法将 FP/vol 数量从 4 减少到 1.2，从 7 减少到 3，从 12 减少到 9.5。曲线下面积 (AUC) 为 0.834。结果显示较之前的工作有显著改进。
引用
@article{arxiv.1407.5976,
title = {Detection of Sclerotic Spine Metastases via Random Aggregation of Deep Convolutional Neural Network Classifications},
author = {Holger R. Roth and Jianhua Yao and Le Lu and James Stieger and Joseph E. Burns and Ronald M. Summers},
journal= {arXiv preprint arXiv:1407.5976},
year = {2014}
}
备注
This paper will be presented at "Computational Methods and Clinical Applications for Spine Imaging" workshop held in conjunction with MICCAI 2014