用于肺结节分割、属性与恶性预测的联合学习
计算机视觉与模式识别
2018-02-13 v1
摘要
参阅肺结节分类文献, 许多研究采用卷积神经网络(CNN)直接以原始胸部计算机断层扫描(CT)与结节位置预测肺结节恶性。然而这些研究无法说明 CNN 在预测给定结节恶性时如何工作, 例如难以根据 CNN 输出断定结节内部区域或上下文信息何者重要。本文提出一种可解释的多任务学习 CNN——用于肺结节分割、属性与恶性预测的联合学习(PN-SAMP)。它不仅能准确预测肺结节恶性, 还可提供语义高层属性及检出结节的区域。此外, 结节分割、属性与恶性预测的结合有助于提升各单任务性能。另外, 受放射科医生常改变窗宽窗位以辅助不确定结节决策的启发, PN-SAMP 混合多种 WW/WC 以获取原始 CT 输入图像信息。为验证所提方法有效性, 我们在公开 LIDC-IDRI 数据集(最大的肺结节恶性预测数据集之一)上评估, 实验表明相较最优方法, 所提 PN-SAMP 在肺结节分类上取得显著提升, 并在肺结节分割与属性学习上表现良好。
引用
@article{arxiv.1802.03584,
title = {Joint Learning for Pulmonary Nodule Segmentation, Attributes and Malignancy Prediction},
author = {Botong Wu and Zhen Zhou and Jianwei Wang and Yizhou Wang},
journal= {arXiv preprint arXiv:1802.03584},
year = {2018}
}
备注
5 papers, accepted for publication in IEEE International Symposium on Biomedical Imaging (ISBI) 2018