MULAN：用于病灶联合检测、标记与分割的多任务通用病灶分析网络
计算机视觉与模式识别
2019-08-14 v1
摘要
在阅读诸如计算机断层扫描（CT）等医学图像时，放射科医生通常会在图像中搜索以发现病灶，对其特征进行描述与测量，然后在放射学报告中予以描述。为自动化此过程，我们提出一种多任务通用病灶分析网络（MULAN），用于跨多种身体部位的病灶联合检测、标记与分割，其大幅扩展了现有针对特定身体部位的单任务病灶分析工作。MULAN 基于改进的 Mask R-CNN 框架，具有三个头部分支与一种 3D 特征融合策略。它在包含全身 32K 个病灶的 DeepLesion 数据集上的检测与标记任务中达到了最先进的精度。我们还分析了这三个任务之间的关系，并表明通过分数细化层，标记预测可提升检测精度。
引用
@article{arxiv.1908.04373,
title = {MULAN: Multitask Universal Lesion Analysis Network for Joint Lesion Detection, Tagging, and Segmentation},
author = {Ke Yan and Youbao Tang and Yifan Peng and Veit Sandfort and Mohammadhadi Bagheri and Zhiyong Lu and Ronald M. Summers},
journal= {arXiv preprint arXiv:1908.04373},
year = {2019}
}
备注
MICCAI 2019, including appendix. code: https://github.com/rsummers11/CADLab/tree/master/MULAN_universal_lesion_analysis