PrepNet：一种用于跨数据集医学图像分析中 CT 扫描同质化的卷积自编码器
图像与视频处理
2022-08-22 v1 计算机视觉与模式识别
摘要
随着 COVID-19 在全球的蔓延，亟需快速而精准的自动分诊机制，以通过减少人力投入（例如基于图像的诊断）来减缓疾病传播。尽管文献中已展现出令人鼓舞的相关努力，但所报告的结果未考虑在不同条件下获取的 CT 扫描的变异性，从而导致所得模型不适用于使用例如不同扫描仪技术所采集的数据。虽然如今可借助 PCR 检测高效完成 COVID-19 诊断，但该用例凸显了亟需一种方法来克服数据变异性问题，以使医学图像分析模型具有更广泛的适用性。本文以 COVID-19 诊断为实例，明确针对变异性问题，提出了一种新颖的生成式方法，其旨在消除由例如成像技术所引起的差异，同时通过利用深度自编码器的思想对 CT 扫描仅引入最小改动。所提出的预处理架构（PrepNet）（i）在多个 CT 扫描数据集上联合训练，且（ii）能够提取改进的判别式特征以提升诊断效果。在三个公开数据集（SARS-COVID-2、UCSD COVID-CT、MosMed）上的实验结果表明，尽管在数据集内性能上有轻微下降，我们的模型将跨数据集泛化能力提升了最高达 个百分点。
引用
@article{arxiv.2208.09408,
title = {PrepNet: A Convolutional Auto-Encoder to Homogenize CT Scans for Cross-Dataset Medical Image Analysis},
author = {Mohammadreza Amirian and Javier A. Montoya-Zegarra and Jonathan Gruss and Yves D. Stebler and Ahmet Selman Bozkir and Marco Calandri and Friedhelm Schwenker and Thilo Stadelmann},
journal= {arXiv preprint arXiv:2208.09408},
year = {2022}
}
备注
7 pages 4 figures peer reviewed and published in IEEE EMBS Regional Conference on Image and Signal Processing, BioMedical Engineering and Informatics (CISP-BMEI 2021)