利用弱 RECIST 标签的稠密掩码改进 RetinaNet 用于 CT 病灶检测
图像与视频处理
2019-06-07 v1 计算机视觉与模式识别
机器学习
摘要
计算机断层扫描(CT)中准确、自动的病灶检测是一项重要却具挑战性的任务,原因在于病灶类型、大小、位置和外观差异巨大。近期 CT 病灶检测工作采用基于两阶段区域提议的方法,以质心或边界框标注训练。我们提出一种高度准确且高效的一阶段病灶检测器,通过重新设计 RetinaNet 以应对医学成像中的特定挑战。具体而言,我们使用差分进化搜索算法优化锚框配置。训练时,我们利用临床常规中测量的实体瘤疗效评价标准(RECIST)标注。我们将通过 GrabCut 自动获得的弱 RECIST 标签稠密掩码纳入训练目标,结合其他改进共同取得了新的最先进性能。我们在包含全身 32,735 个病灶的公开 DeepLesion 基准上评估了该方法。我们的一阶段检测器在每图 4 个假阳性下达到 90.77% 的灵敏度,显著优于已报告的最佳方法逾 5%。
引用
@article{arxiv.1906.02283,
title = {Improving RetinaNet for CT Lesion Detection with Dense Masks from Weak RECIST Labels},
author = {Martin Zlocha and Qi Dou and Ben Glocker},
journal= {arXiv preprint arXiv:1906.02283},
year = {2019}
}
备注
Accepted at MICCAI 2019