基于深度动态纹理学习从大规模多期相 CT 数据中收割、检测与表征肝脏病灶
计算机视觉与模式识别
2020-09-01 v2
摘要
基于无创放射学的病灶表征与识别（例如区分癌症亚型）长期以来一直是改进肿瘤诊断与治疗流程的主要目标。在此我们研究一类特定人群，希望减少肝癌患者对有创手术活检的需求，后者可造成诸多有害副作用。为此，我们提出了一种专为动态增强计算机断层扫描（CT）设计的全自动多阶段肝脏肿瘤表征框架。我们的系统包含肿瘤候选检测、肿瘤收割、原发肿瘤部位选择和基于深度纹理的肿瘤表征四个顺序过程。我们的主要贡献在于：（1）提出一种针对肝脏病灶的 3D 非各向同性无锚框检测方法；（2）提出并验证了空间自适应深度纹理（SaDT）学习，其可实现更精准的肝脏病灶表征；（3）利用半自动流程，我们以 200 例金标准标注为基础自助构建了另外 1001 例患者数据。实验评估表明，与基线相比，我们的新数据构建策略结合 SaDT 深度动态纹理分析，在区分四种主要肝脏病灶类型时可将平均 F1 分数有效提升 >8.6%。我们在（肝细胞癌与其余子类）上的 F1 分数为 0.763，高于报道的采用动态 CT 的人类观察者表现，并与一种先进的磁共振成像方案相当。除了展示我们数据构建方法与受医师启发工作流的优势外，这些结果也表明分析纹理特征而非标准基于对象的分析，是一种有前景的病灶区分策略。
引用
@article{arxiv.2006.15691,
title = {Harvesting, Detecting, and Characterizing Liver Lesions from Large-scale Multi-phase CT Data via Deep Dynamic Texture Learning},
author = {Yuankai Huo and Jinzheng Cai and Chi-Tung Cheng and Ashwin Raju and Ke Yan and Bennett A. Landman and Jing Xiao and Le Lu and Chien-Hung Liao and Adam P. Harrison},
journal= {arXiv preprint arXiv:2006.15691},
year = {2020}
}