DKMA-ULD：基于领域知识增强多头注意力的鲁棒通用病灶检测
计算机视觉与模式识别
2022-03-15 v1
摘要
在深度网络中显式地融入数据特定的领域知识，可提供有益于病灶检测的重要线索，并缓解学习鲁棒检测器对多样化异构数据集的需求。在本文中，我们利用计算机断层扫描（CT）中存在的领域信息，提出一种鲁棒的通用病灶检测（ULD）网络，该网络通过在单一数据集 DeepLesion 上训练即可检测全身所有器官的病灶。我们分析了使用启发式确定的 Hounsfield Unit（HU）窗生成的、强度各异的 CT 切片，这些窗分别突出不同器官，并作为深度网络的输入。从多强度图像获得的特征通过一种新颖的卷积增强多头自注意力模块进行融合，随后传入区域提议网络（RPN）以进行病灶检测。此外，我们观察到 RPN 中用于自然图像的传统锚框并不适用于医学图像中常见的病灶尺寸。因此，我们提出在 RPN 中使用病灶特定的锚尺寸与比例以提升检测性能。我们利用自监督在 DeepLesion 数据集上初始化网络权重，以进一步吸收领域知识。我们提出的基于领域知识增强多头注意力的通用病灶检测网络 DMKA-ULD 可在不同器官的病灶周围生成精细且精确的边界框。我们在公开可用的 DeepLesion 数据集上评估了网络的有效性，该数据集包含约 32K 张标注了全身各器官病灶的 CT 扫描。结果表明，我们超越了现有最先进方法，实现了 87.16% 的总体灵敏度。
引用
@article{arxiv.2203.06886,
title = {DKMA-ULD: Domain Knowledge augmented Multi-head Attention based Robust Universal Lesion Detection},
author = {Manu Sheoran and Meghal Dani and Monika Sharma and Lovekesh Vig},
journal= {arXiv preprint arXiv:2203.06886},
year = {2022}
}
备注
Main Paper: 13 Pages, 5 Figures, 2 Tables. Supplementary: 4 Pages, 1 Figure, 3 Tables. Paper accepted at The 32nd British Machine Vision Conference (BMVC'21)