卷积神经网络在肺癌分类流程中肺结节恶性评估的集成
图像与视频处理
2019-12-19 v1 计算机视觉与模式识别
机器学习
定量方法
摘要
恶性肺结节的早期识别对于改善肺癌预后和减少侵入性化疗或放疗至关重要。放射科医生进行的结节恶性评估对规划预防性干预极为有用，但不幸的是这是一项复杂、耗时且易出错的任务。这解释了为何缺乏包含放射科医生对结节恶性特征刻画的大型数据集。在本文中，我们提出通过 3D 卷积神经网络评估结节恶性程度，并将其集成到已有的端到端自动化肺癌检测流程中。出于训练和测试目的，我们使用了 LIDC 数据集的独立子集。在基线肺癌流程中加入结节恶性概率使其 F1-weighted 分数提高了 14.7%，而利用迁移学习集成恶性模型本身相较基线预测使 F1-weighted 分数高出 11.8%。尽管肺癌数据集规模有限，集成结节恶性预测模型可改善肺癌预测。
引用
@article{arxiv.1912.08679,
title = {Integration of Convolutional Neural Networks for Pulmonary Nodule Malignancy Assessment in a Lung Cancer Classification Pipeline},
author = {Ilaria Bonavita and Xavier Rafael-Palou and Mario Ceresa and Gemma Piella and Vicent Ribas and Miguel A. González Ballester},
journal= {arXiv preprint arXiv:1912.08679},
year = {2019}
}
备注
26 pages, 5 figures