利用迁移学习在能谱 CT 中对肺结节原发肿瘤来源进行分类
计算机视觉与模式识别
2020-07-01 v1 机器学习
图像与视频处理
摘要
早期检测肺癌已被证明可显著降低死亡率。计算机断层扫描（CT）的一项近期进展——能谱 CT，由于每次扫描比常规 CT 产生更多信息，有望提高诊断准确率。然而，分析大量扫描所带来的巨大工作量催生了对自动化诊断方法的需求。因此，我们提出了一种 CT 扫描中肺结节的检测与分类系统。此外，我们想观察能谱图像是否能提升分类器性能。对于结节检测，我们训练了一个类 VGG 的 3D 卷积神经网络（CNN）。为获得针对我们数据集的原发肿瘤分类器，我们在一个大型公开数据集 LIDC-IDRI 的结节良恶性上以相似架构预训练了 3D CNN。随后，我们将该预训练网络用作我们数据集中结节的特征提取器。所得特征向量使用支持向量机（SVM）被分为两类（良性/恶性）和三类（良性/原发性肺癌/转移瘤）。该分类在结节级和扫描级均进行了。我们在 LIDC-IDRI 数据库上取得了检测与良恶性回归的当前最优性能。我们自有数据集上的分类性能在扫描级高于结节级预测。对于三类扫描级分类，我们获得了 78% 的准确率。能谱特征确实提升了分类器性能，但不显著。我们的工作表明，预训练特征提取器可用作肺结节原发肿瘤来源分类器，从而无需对新网络进行精细调参及使用大型数据集。代码见 \url{https://github.com/tueimage/lung-nodule-msc-2018}。
引用
@article{arxiv.2006.16633,
title = {Primary Tumor Origin Classification of Lung Nodules in Spectral CT using Transfer Learning},
author = {Linde S. Hesse and Pim A. de Jong and Josien P. W. Pluim and Veronika Cheplygina},
journal= {arXiv preprint arXiv:2006.16633},
year = {2020}
}
备注
MSc thesis Linde Hesse