利用卷积LSTM网络在弱标注体医学图像中进行疾病检测
计算机视觉与模式识别
2020-01-27 v1 机器学习
定量方法
应用统计
机器学习
摘要
我们通过将三维体数据视为一系列二维图像来分析，探索了一种从弱标注但易于获取的体医学影像数据中学习疾病特征的解决方案。我们在肺癌筛查低剂量CT图像中检测肺气肿的性能上展示了该方案的效果。我们的方法利用卷积长短期记忆（LSTM）网络按顺序“扫描”影像体数据，以判断已扫描区域的一部分中是否存在疾病。该框架在仅有体图像和二值疾病标签的情况下即可有效学习，从而能够从包含4,486名患者的6,631个未标注图像体的大型数据集进行训练。在一个由2,163名患者的2,163个体数据组成的测试集中评估时，我们的模型以受试者工作特征曲线下面积（AUC）为0.83区分肺气肿。该方法的性能优于采用多种多示例学习方案实现的二维卷积神经网络（CNN）（AUC=0.69-0.76）以及三维CNN（AUC=0.77）。
引用
@article{arxiv.1812.01087,
title = {Disease Detection in Weakly Annotated Volumetric Medical Images using a Convolutional LSTM Network},
author = {Nathaniel Braman and David Beymer and Ehsan Dehghan},
journal= {arXiv preprint arXiv:1812.01087},
year = {2020}
}
备注
Machine Learning for Health (ML4H) Workshop at NeurIPS 2018 arXiv:1811.07216 Medical Imaging Meets NeurIPS Workshop at NeurIPS 2018