基于超声剪切波弹性成像的多模态主动学习自动肝纤维化诊断
计算机视觉与模式识别
2020-11-03 v1 图像与视频处理
摘要
随着放射组学的发展,超声(US)成像等无创诊断在自动肝纤维化诊断(ALFD)中发挥着非常重要的作用。由于US图像数据含噪、标注昂贵,人工智能(AI)辅助方法的应用遇到瓶颈。此外,单模态US数据的使用限制了分类结果的进一步提升。本工作中,我们创新性地提出一种带主动学习的多模态融合网络(MMFN-AL)用于ALFD,以利用多模态信息、消除噪声数据并降低标注成本。利用了包括US和三类剪切波弹性成像(SWE)在内的四种图像模态。我们很好地收集并预处理了一个包含214名候选者这些模态的新数据集,其标签来自肝活检结果。实验结果表明,我们所提方法在使用少于30%数据的情况下优于当前最优性能,且仅使用约80%数据时,该融合网络取得了89.27%的高AUC和70.59%的准确率。
引用
@article{arxiv.2011.00694,
title = {Multi-Modal Active Learning for Automatic Liver Fibrosis Diagnosis based on Ultrasound Shear Wave Elastography},
author = {Lufei Gao and Ruisong Zhou and Changfeng Dong and Cheng Feng and Zhen Li and Xiang Wan and Li Liu},
journal= {arXiv preprint arXiv:2011.00694},
year = {2020}
}