基于视觉相似性三元组的医学图像分析特征学习：胸部 CT 扫描中肺气肿的案例研究
计算机视觉与模式识别
2018-06-20 v1
摘要
使用卷积神经网络（CNNs）的监督式特征学习可以提供简洁且疾病相关的医学图像表示。然而，训练 CNNs 需要带标注的图像数据。标注医学图像可能是一项耗时任务，且即使是专家标注也存在显著的组间与组内变异。评估图像的视觉相似性而非指示特定病理或估计疾病严重程度，可以让非专家参与，帮助发现新模式，并可能减少评分者变异。我们考虑评估胸部 CT 扫描中肺气肿范围的任务。我们从视觉评估的肺气肿范围导出视觉相似性三元组，并使用 CNNs 学习低维嵌入。我们在 973 张图像上评估网络，并表明 CNNs 能从导出的相似性三元组学习疾病相关特征表示。据我们所知，这是首个使用相似性三元组学习可用于嵌入未见测试图像的特征表示的医学图像应用。
引用
@article{arxiv.1806.07131,
title = {Feature learning based on visual similarity triplets in medical image analysis: A case study of emphysema in chest CT scans},
author = {Silas Nyboe Ørting and Jens Petersen and Veronika Cheplygina and Laura H. Thomsen and Mathilde M W Wille and Marleen de Bruijne},
journal= {arXiv preprint arXiv:1806.07131},
year = {2018}
}
备注
10 pages. Submitted to LABELS2018 - MICCAI Workshop on Large-scale Annotation of Biomedical data and Expert Label Synthesis