利用胸部CT图像与临床人口统计学信息的协同学习进行肺癌检测
计算机视觉与模式识别
2019-02-25 v1
摘要
肺癌的早期检测对降低死亡率至关重要。近期研究已证明低剂量计算机断层扫描（CT）在基于非常有限临床信息筛选的个体中检测肺癌的临床效用。然而，该策略假阳性率高，可能导致不必要且潜在有害的操作。为应对此类挑战，我们建立了一个从详细临床人口统计学信息和3D CT图像协同学习的流程。为此，我们利用分子与细胞表征筛查病变联盟（MCL）的数据，该联盟关注肺癌早期检测。提出一种基于3D注意力的深度卷积神经网络（DCNN）从胸部CT扫描中识别肺癌，无需可疑结节的先验解剖位置。为改善良恶性之间的无创判别，我们将随机森林分类器应用于整合临床信息与影像数据的数据集。结果显示，仅临床人口统计学信息获得的AUC为0.635，而仅注意力网络达到0.687的准确率。相比之下，应用我们提出的整合临床与影像变量的流程，在测试数据集上AUC达到0.787。所提网络既能高效捕获解剖信息用于分类，也能生成注意力图解释驱动性能的特征。
引用
@article{arxiv.1902.08236,
title = {Lung Cancer Detection using Co-learning from Chest CT Images and Clinical Demographics},
author = {Jiachen Wang and Riqiang Gao and Yuankai Huo and Shunxing Bao and Yunxi Xiong and Sanja L. Antic and Travis J. Osterman and Pierre P. Massion and Bennett A. Landman},
journal= {arXiv preprint arXiv:1902.08236},
year = {2019}
}
备注
SPIE Medical Image, oral presentation