利用自监督学习与纹理编码从 CT 图像进行肝纤维化与 NAS 评分
图像与视频处理
2021-03-16 v2 计算机视觉与模式识别
摘要
非酒精性脂肪性肝病（NAFLD）是慢性肝病（CLD）最常见的病因之一，可进展为肝癌。NAFLD 的严重程度与治疗由 NAFLD 活动度评分（NAS）和肝纤维化分期决定，通常取自肝活检。然而，活检本质上具有侵入性，并伴随操作并发症风险。当前从无创 CT 图像预测纤维化和 NAS 评分的方法严重依赖大型标注数据集或使用预训练网络的迁移学习。但大型标注数据集未必总能保证，且迁移学习可能存在域偏移。在这项工作中，我们提出一种自监督学习方法来解决这两个问题。由于 NAFLD 引起肝脏纹理改变，我们还提出使用纹理编码输入以提升模型性能。给定一个相对较小的 30 例患者数据集，我们采用的自监督网络比通过迁移学习训练的网络表现更好。代码公开于 https://github.com/ananyajana/fibrosis_code。
引用
@article{arxiv.2103.03761,
title = {Liver Fibrosis and NAS scoring from CT images using self-supervised learning and texture encoding},
author = {Ananya Jana and Hui Qu and Carlos D. Minacapelli and Carolyn Catalano and Vinod Rustgi and Dimitris Metaxas},
journal= {arXiv preprint arXiv:2103.03761},
year = {2021}
}
备注
5 pages, 2 figures, accepted at ISBI 2021, code at this URL: https://github.com/ananyajana/fibrosis_code