基于 3D 孪生神经网络无需图像配准的肺结节再识别与生长检测
图像与视频处理
2019-12-24 v1 计算机视觉与模式识别
摘要
肺癌随访对临床放射科医生而言是一项复杂、易错且耗时的任务。给定患者不同时间点的若干肺部 CT 扫描图像需要逐一检查，以寻找可能的癌性结节。放射科医生主要关注结节的大小、密度和生长情况以评估恶性存在与否。在本研究中，我们提出一种基于 3D 孪生神经网络的新方法，用于在同一患者的成对 CT 扫描中再识别结节，且无需图像配准。该网络被集成到一个两阶段自动流程中，以在给定成对 CT 扫描时检测、匹配并预测结节生长。在独立测试集上的结果报告的结节检测灵敏度为 94.7%，时间结节匹配准确率为 88.8%，结节生长检测的灵敏度为 92.0%、精确率为 88.4%。
引用
@article{arxiv.1912.10525,
title = {Re-Identification and Growth Detection of Pulmonary Nodules without Image Registration Using 3D Siamese Neural Networks},
author = {Xavier Rafael-Palou and Anton Aubanell and Ilaria Bonavita and Mario Ceresa and Gemma Piella and Vicent Ribas and Miguel Ángel González Ballester},
journal= {arXiv preprint arXiv:1912.10525},
year = {2019}
}
备注
14 pages, 8 figures