机器友好的机器学习：无需图像重建的计算机断层扫描解读
计算机视觉与模式识别
2018-12-05 v1
摘要
深度学习在自动化图像处理与分类方面的最新进展加速了许多医学图像分析的新应用。然而，大多数深度学习应用都是使用重建后、可供人类解读的医学图像开发的。虽然从原始传感器数据重建图像是生成医学图像所必需的，但重建过程仅使用了所获取全部数据的一部分表示。在此我们报告了一个直接处理原始计算机断层扫描 (CT) 数据（正弦图空间）系统的开发，绕过了图像重建这一中间步骤。我们评估了两项分类任务在正弦图空间机器学习中的可行性：身体区域识别和颅内出血 (ICH) 检测。我们提出的 SinoNet 在两项任务上均优于传统的基于重建图像空间的系统，且与投影或探测器的扫描几何无关。此外，在使用稀疏采样正弦图时，SinoNet 的表现显著优于在图像空间中运行的常规网络。因此，正弦图空间算法可用于现场环境中的二元诊断检测、分诊，以及需要低辐射剂量的临床环境。这些发现还展示了深度学习的另一优势：它能够分析和解读对人类专家而言几乎不可能处理的正弦图。
引用
@article{arxiv.1812.01068,
title = {Machine Friendly Machine Learning: Interpretation of Computed Tomography Without Image Reconstruction},
author = {Hyunkwang Lee and Chao Huang and Sehyo Yune and Shahein H. Tajmir and Myeongchan Kim and Synho Do},
journal= {arXiv preprint arXiv:1812.01068},
year = {2018}
}