用于上颌窦副鼻窦异常分类的多示例集成方法
图像与视频处理
2023-04-03 v1 计算机视觉与模式识别
摘要
副鼻窦异常常在常规放射筛查中被发现，并可呈现广泛的形态学特征。这种多样性使得卷积神经网络(CNN)难以准确分类这些异常，尤其是在数据集有限的情况下。此外，当前副鼻窦异常分类方法局限于一次识别单一异常。这些挑战使得该领域亟需进一步研究与开发。在本研究中，我们探究使用3D卷积神经网络(CNN)分类健康上颌窦(MS)及患有息肉或囊肿的MS的可行性。在更大的头颈磁共振成像(MRI)扫描中准确识别相关MS体积的任务可能十分困难，但我们开发了一种直接策略来应对该挑战。我们的端到端解决方案包括使用一种新颖的采样技术，其不仅有效定位相关MS体积，还增大了训练数据集规模并改善了分类结果。此外，我们采用多示例集成预测方法进一步提升分类性能。最后，我们确定了MS体积的最优大小，以在我们的数据集上实现尽可能高的分类性能。借助多示例集成预测策略与采样策略，我们的3D CNN取得了0.85的F1值，而无该策略时仅为0.70。我们证明了MS异常分类的可行性。我们提出了一种数据扩充策略及一种新颖的集成策略，证明有益于MS中的副鼻窦异常分类。
引用
@article{arxiv.2303.17915,
title = {Multiple Instance Ensembling For Paranasal Anomaly Classification In The Maxillary Sinus},
author = {Debayan Bhattacharya and Finn Behrendt and Benjamin Tobias Becker and Dirk Beyersdorff and Elina Petersen and Marvin Petersen and Bastian Cheng and Dennis Eggert and Christian Betz and Anna Sophie Hoffmann and Alexander Schlaefer},
journal= {arXiv preprint arXiv:2303.17915},
year = {2023}
}