距离化 LSTM：长短期记忆模型中用于肺癌检测的时间距离门
图像与视频处理
2019-09-13 v1 计算机视觉与模式识别
摘要
在大型公共数据档案的支持下，肺结节检测与癌症预测领域发展迅速。以往研究主要集中于横断面（单次）CT 数据。在此，我们考虑纵向数据。长短期记忆（Long Short-Term Memory, LSTM）模型处理的是等间隔时间点（即相等时间间隔）的学习问题。然而，临床影像采集依据患者需求，常具有异质、不规则的特点。为对规则与不规则纵向样本均进行建模，我们将 LSTM 模型推广为适用于时间变化采集的距离化 LSTM（Distanced LSTM, DLSTM）。DLSTM 包含一种时间强调模型（Temporal Emphasis Model, TEM），能够在规则与不规则采样间隔上实现学习。简言之：（1）显式建模纵向扫描间的时间间隔；（2）针对不规则时间采样引入时间可调的遗忘门与输入门；（3）最新的纵向扫描具有额外的强调项。我们在三个数据集上评估 DLSTM 框架，包括模拟数据、1794 例国家肺部筛查试验（National Lung Screening Trial, NLST）扫描，以及 1420 例具有异质且不规则时间接入的临床采集数据。在前两个数据集上的实验表明，我们的方法在模拟与规则采样数据集上均取得具有竞争力的性能（例如在 NLST 上 F1 分数将 LSTM 从 0.6785 提升至 0.7085）。在临床且不规则采集数据的外部验证中，基准方法在 ROC 曲线下面积（area under the ROC curve, AUC）得分上分别达到 0.8350（CNN 特征）与 0.8380（LSTM），而所提出的 DLSTM 达到 0.8905。
引用
@article{arxiv.1909.05321,
title = {Distanced LSTM: Time-Distanced Gates in Long Short-Term Memory Models for Lung Cancer Detection},
author = {Riqiang Gao and Yuankai Huo and Shunxing Bao and Yucheng Tang and Sanja L. Antic and Emily S. Epstein and Aneri B. Balar and Steve Deppen and Alexis B. Paulson and Kim L. Sandler and Pierre P. Massion and Bennett A. Landman},
journal= {arXiv preprint arXiv:1909.05321},
year = {2019}
}
备注
This paper is accepted by MLMI (oral), MICCAI workshop