概率放射组学：基于可控形状分析的模糊诊断
图像与视频处理
2019-10-22 v1 计算机视觉与模式识别
机器学习
摘要
放射组学分析近年来取得了巨大成功。然而，传统放射组学分析受限于手工特征表达能力不足。近来，新兴的深度学习技术（如卷积神经网络，CNNs）主导了计算机辅助诊断（CADx）的研究。遗憾的是，作为黑盒预测器，我们认为 CNNs 是在“诊断”体素（或像素）而非病灶；换言之，训练好的 CNN 的视觉显著性未必集中于病灶。另一方面，临床应用中的分类存在固有的模糊性：放射科医生对疑难病例可能给出不同的诊断。为此，我们结合放射组学分析与概率深度学习，提出了一种可控且可解释的“概率放射组学”框架。在我们的框架中，仅于病灶区域提取 3D CNN 特征，随后通过基于自注意力的可控非局部形状分析模块（NSAM）编码为病灶表示。受变分自编码器（VAEs）启发，采用模糊先验网络（Ambiguity PriorNet）来近似人类专家的模糊性分布。最终诊断由模糊先验样本与病灶表示结合得到，整个网络命名为 ，可端到端训练。我们在 LIDC-IDRI 数据库上将该应用于肺结节诊断以验证其有效性。
引用
@article{arxiv.1910.08878,
title = {Probabilistic Radiomics: Ambiguous Diagnosis with Controllable Shape Analysis},
author = {Jiancheng Yang and Rongyao Fang and Bingbing Ni and Yamin Li and Yi Xu and Linguo Li},
journal= {arXiv preprint arXiv:1910.08878},
year = {2019}
}
备注
MICCAI 2019 (early accept), with supplementary materials