双窗口至关重要：从纵隔窗学习并聚焦于肺窗
图像与视频处理
2022-06-09 v1 计算机视觉与模式识别
机器学习
摘要
自 COVID-19 大流行以来，已有若干深度学习方法被提出用于分析胸部计算机断层扫描 (CT) 以进行诊断。在当前情况下，病程分类对于医务人员决定治疗方案具有重要意义。大多数先前基于深度学习的方法从肺窗提取所观察到的特征。然而，已证明某些与诊断相关的表现从纵隔窗比从肺窗能更好地观察，例如肺实变更多发生于重症症状。本文中，我们提出一种新颖的双窗口 RCNN 网络 (DWRNet)，其主要从连续的纵隔窗学习区分性特征。对于从肺窗提取的特征，我们引入肺窗注意力模块 (LWA Block) 对其给予额外关注以增强纵隔窗特征。此外，不同于从整个 CT 切片中挑选特定切片，我们使用循环 CNN 并将连续切片作为视频进行分析。实验结果表明，融合且具有代表性的特征通过将病程预测的准确率提升至 90.57%（基线为 84.86%）而改善了预测。消融研究证明，联合双窗口特征比单独肺窗特征更高效，而关注肺窗特征可提升模型的稳定性。
引用
@article{arxiv.2206.03803,
title = {Dual Windows Are Significant: Learning from Mediastinal Window and Focusing on Lung Window},
author = {Qiuli Wang and Xin Tan and Chen Liu},
journal= {arXiv preprint arXiv:2206.03803},
year = {2022}
}