将任务特定的结构知识融入 CNN 用于脑中线移位检测
图像与视频处理
2019-12-17 v3 计算机视觉与模式识别
摘要
中线移位（MLS）是创伤性脑损伤、中风和脑肿瘤中用于预后预测的成熟因素。美国放射学会（ACR）数据科学研究所最近强调了自动估计 MLS 的重要性。在本文中，我们针对 MLS 检测问题提出了一种新颖的基于深度学习的方法，该方法利用了任务特定的结构知识。我们在一个包含具有显著 MLS 的异质图像的大型数据集上评估了我们的方法，并表明其平均误差接近专家间差异。最后，我们通过在常规临床实践中获取的外部数据集上进行验证，展示了我们方法的鲁棒性。
引用
@article{arxiv.1908.04568,
title = {Incorporating Task-Specific Structural Knowledge into CNNs for Brain Midline Shift Detection},
author = {Maxim Pisov and Mikhail Goncharov and Nadezhda Kurochkina and Sergey Morozov and Victor Gombolevskiy and Valeria Chernina and Anton Vladzymyrskyy and Ksenia Zamyatina and Anna Chesnokova and Igor Pronin and Michael Shifrin and Mikhail Belyaev},
journal= {arXiv preprint arXiv:1908.04568},
year = {2019}
}