利用时间调制LSTM进行放射学异常的纵向检测
机器学习
2018-10-11 v1 计算机视觉与模式识别
机器学习
摘要
近年来，卷积神经网络(CNNs)已成功用于检测平片X线等医学图像中的放射学异常。迄今，多数研究孤立地使用CNNs处理单次检查并丢弃先前可用的临床信息。在本研究中，我们着手探索当对给定患者可用的包括其报告在内的整个放射图像序列建模时，长短期记忆网络(LSTMs)是否可用于提升分类性能。不过，传统LSTM的局限在于其隐式假设等间隔观测，而放射学检查是基于事件的，因此为不规则采样。利用模拟数据集和大规模胸部X线数据集，我们证明对LSTM架构的简单修改——显式考虑连续观测间的时间滞后——可提升分类性能。我们的实证结果显示了对胸部X线中常见报告异常如心肥大、实变、胸腔积液和食管裂孔疝的改进检测。
引用
@article{arxiv.1807.06144,
title = {Longitudinal detection of radiological abnormalities with time-modulated LSTM},
author = {Ruggiero Santeramo and Samuel Withey and Giovanni Montana},
journal= {arXiv preprint arXiv:1807.06144},
year = {2018}
}
备注
Submitted to 4th MICCAI Workshop on Deep Learning in Medical Imaging Analysis