利用从放射学报告中挖掘的知识进行 CT 图像细粒度病变标注
计算机视觉与模式识别
2019-03-28 v2
摘要
在放射科医生的日常工作中，一项主要任务是读取医学图像（如 CT 扫描），发现显著病变，并书写放射学报告中的语句加以描述。本文中，我们将病变描述或标注问题作为计算机辅助诊断(CAD)的重要步骤加以研究。给定病变图像，我们的目标是预测多个相关标签，如病变的身体部位、类型与属性。为解决该问题，我们基于 RadLex 定义了一组 145 个标签来描述 DeepLesion 数据集中的多种病变。我们直接从放射学报告中对应病变的语句挖掘训练标签，所需人工极少且易推广至大数据与标签集。随后提出一种用于多尺度结构图像与噪声鲁棒损失的多标签卷积神经网络。定量与定性实验证明了该框架的有效性。在 1,872 个测试病变上的 ROC 曲线下平均面积为 0.9083。
引用
@article{arxiv.1903.01505,
title = {Fine-grained lesion annotation in CT images with knowledge mined from radiology reports},
author = {Ke Yan and Yifan Peng and Zhiyong Lu and Ronald M. Summers},
journal= {arXiv preprint arXiv:1903.01505},
year = {2019}
}
备注
4 pages, IEEE International Symposium on Biomedical Imaging (ISBI) 2019, oral presentation