RADNET：基于深度学习在 CT 扫描中实现放射科医师级准确度的出血检测
计算机视觉与模式识别
2018-01-04 v2 机器学习
摘要
我们描述了一种用于从计算机断层扫描（CT）中自动检测脑出血的深度学习方法。我们的模型模拟了放射科医师在真实世界中分析 3D CT 扫描所遵循的流程。与放射科医师类似，该模型仔细筛查 2D 横截面切片，同时密切关注潜在的出血区域。此外，该模型利用来自相邻切片的 3D 上下文信息来改进每个切片的预测，随后聚合切片级预测以提供 CT 级别的诊断。我们将所提出的方法称为循环注意力 DenseNet（RADnet），因为它采用了原始的 DenseNet 架构，并增加了用于切片级预测的注意力组件以及用于融入 3D 上下文的循环神经网络层。RADnet 的真实世界性能已与三位资深放射科医师对 77 份脑 CT 的独立分析结果进行了基准比较。RADnet 在 CT 级别表现出 81.82% 的出血预测准确率，与放射科医师相当。此外，RADnet 的召回率高于三位放射科医师中的两位，这非常引人注目。
引用
@article{arxiv.1710.04934,
title = {RADNET: Radiologist Level Accuracy using Deep Learning for HEMORRHAGE detection in CT Scans},
author = {Monika Grewal and Muktabh Mayank Srivastava and Pulkit Kumar and Srikrishna Varadarajan},
journal= {arXiv preprint arXiv:1710.04934},
year = {2018}
}
备注
Accepted at IEEE Symposium on Biomedical Imaging (ISBI) 2018 as conference paper