利用任务依赖学习改进颅内出血分类
计算机视觉与模式识别
2019-07-02 v1
摘要
头部CT是急诊科最常进行的影像学检查之一，而颅内出血（ICH）是头部CT上最需紧急处理且对时间高度敏感的关键发现之一。我们提出BloodNet，一种专为头部CT最优分诊设计的深度学习架构，旨在缩短从CT采集到准确检测ICH的时间。BloodNet架构将原本独立的分割与分类任务之间的依赖性纳入考量，从而取得了改进的分类结果。在由来自10余家不同医院的超过1400项研究组成的正样本富集和随机采样留存测试集上，分别报告了0.9493和0.9566的AUC。这些结果与先前在标注研究数量较少时报告的结果相当。
引用
@article{arxiv.1907.00148,
title = {Improved ICH classification using task-dependent learning},
author = {Amir Bar and Michal Mauda and Yoni Turner and Michal Safadi and Eldad Elnekave},
journal= {arXiv preprint arXiv:1907.00148},
year = {2019}
}
备注
IEEE International Symposium on Biomedical Imaging (ISBI) 2019