使用深度卷积神经网络的整体间质性肺疾病检测：多标签学习与无序池化
计算机视觉与模式识别
2017-01-23 v1
摘要
在不依赖任何预处理前提(如手动勾画感兴趣区域(ROIs))的情况下，给定任何计算机断层扫描(CT)切片准确预测和检测间质性肺疾病(ILD)模式，是临床期望但具挑战性的目标。大多数现有工作依赖手动提供的ILD ROIs从CT切片提取采样2D图像块，并据此执行基于块的ILD分类。获取手动ROIs费力且成为大规模人群全自动CT影像ILD筛查的瓶颈。此外，尽管单张CT切片上出现多种ILD模式频率颇高，以往工作仅设计用于检测每切片或每块一种ILD模式。为应对这两个关键挑战，我们提出多标签深度卷积神经网络(CNNs)从整体CT切片(而非ROIs或子图像)检测ILDs。常规单标签CNN模型可通过1)基于连续值深度回归的鲁棒范数损失函数或2)作为逐元素二元逻辑损失之和的分类目标，来增强应对多ILD模式标签并存的可能。我们的方法使用公开数据库658例病人CT扫描在五折交叉验证下评估验证，在检测四种主要ILD模式：磨玻璃、网状、蜂窝、肺气肿上取得有前景性能。我们还研究了基于CNN激活的深度特征编码方案使用Fisher向量编码的有效性，其将ILD检测视为空间无序深度纹理分类。
引用
@article{arxiv.1701.05616,
title = {Holistic Interstitial Lung Disease Detection using Deep Convolutional Neural Networks: Multi-label Learning and Unordered Pooling},
author = {Mingchen Gao and Ziyue Xu and Le Lu and Adam P. Harrison and Ronald M. Summers and Daniel J. Mollura},
journal= {arXiv preprint arXiv:1701.05616},
year = {2017}
}