融合淋巴结分区特征用于转移性淋巴结检测
图像与视频处理
2023-01-10 v1 计算机视觉与模式识别
摘要
淋巴结（LN）转移是原发肿瘤细胞最常见的扩散途径，是死亡率升高的标志。然而，由于尺寸小、稀疏度高及外观模糊，转移性 LN 即使对专业放射科医生也耗时且难以检测。期望借助深度学习的最新进展自动检测转移性 LN。除两阶段检测网络外，我们在此引入一个额外分支，利用 LN 分区信息——放射科医生在转移性 LN 诊断中的重要参考——作为转移性 LN 检测的补充信息。该分支旨在解决 LN 分区层面上一项紧密相关的任务，即分类一个 LN 分区是否含有转移性 LN，从而学习 LN 分区的表征。考虑到转移性 LN 分区预期会显著影响邻近分区，该分支采用基于 GCN 的结构来建模不同 LN 分区间的关系。在转移性 LN 检测的分类阶段，将上述习得的 LN 分区特征以及反映 LN 候选与 LN 分区之间距离的特征与 LN 特征相融合。我们在一个包含 114 例口腔鳞状细胞癌（OSCC）患者静脉对比增强计算机断层扫描（CT）图像的数据集上验证了方法，表明其在 mFROC、maxF1 和 AUC 分数上分别优于若干最先进方法。
引用
@article{arxiv.2301.03202,
title = {Integrating features from lymph node stations for metastatic lymph node detection},
author = {Chaoyi Wu and Feng Chang and Xiao Su and Zhihan Wu and Yanfeng Wang and Ling Zhu and Ya Zhang},
journal= {arXiv preprint arXiv:2301.03202},
year = {2023}
}