利用临床相关次级特征改进胰腺肿瘤检测
计算机视觉与模式识别
2022-08-09 v1 机器学习
摘要
胰腺癌是全球癌症相关死亡的主要原因之一。尽管深度学习在计算机辅助诊断与检测（CAD）方法中取得成功，但针对胰腺癌检测的关注甚少。我们提出一种利用周围解剖结构中临床相关特征的胰腺肿瘤检测方法，从而相较于其他常规深度学习方法更好地旨在发挥放射科医生的知识。为此，我们收集了一个由99例胰腺导管腺癌（PDAC）病例和97例无任何胰腺肿瘤的对照病例组成的新数据集。由于胰腺癌的生长模式，肿瘤可能并非总以低密度病灶显现，因此专家参考可能指示肿瘤存在的次级外部特征的可见性。我们提出一种基于类 U-Net 深度 CNN 的方法，其利用以下外部次级特征：胰管、胆总管与胰腺，以及处理后的 CT 扫描。利用这些特征，模型在肿瘤存在时分割胰腺肿瘤。这种用于分类与定位的分割方法达到了99%灵敏度（漏诊一例）与99%特异度，较先前最先进方法灵敏度提升5%。该模型还以合理精度提供位置信息，且推理时间短于先前 PDAC 检测方法。这些结果带来了显著性能提升，并凸显了在开发新型 CAD 方法时融入临床专家知识的重要性。
引用
@article{arxiv.2208.03581,
title = {Improved Pancreatic Tumor Detection by Utilizing Clinically-Relevant Secondary Features},
author = {Christiaan G. A. Viviers and Mark Ramaekers and Peter H. N. de With and Dimitrios Mavroeidis and Joost Nederend and Misha Luyer and Fons van der Sommen},
journal= {arXiv preprint arXiv:2208.03581},
year = {2022}
}
备注
Published at MICCAI 2022 CaPTion Workshop on Cancer Prevention through early detecTion