基于深度集合注意力 Transformer 的多个肺结节间关系学习
图像与视频处理
2020-07-09 v1 计算机视觉与模式识别
机器学习
摘要
多个肺结节的诊断和治疗在临床上重要但具挑战性。先前关于结节表征的研究在多结节患者上采用孤立结节方法,忽略了结节之间的关系。在本研究中,我们提出一种多示例学习(MIL)方法,并经验证明学习多个结节之间关系的益处。通过将同一患者的多个结节视为一个整体,提取了孤立结节体素之间的关键关系信息。据我们所知,这是首个学习多个肺结节之间关系的研究。受自然语言处理(NLP)领域近期进展的启发,我们引入了一种配备 3D CNN 的自注意力 transformer,命名为 {NoduleSAT},以替代多示例学习中典型的基于池化的聚合。在 LUNA16 数据库上的肺结节假阳性减少以及在 LIDC-IDRI 数据库上的恶性分类的大量实验,验证了所提方法的有效性。
引用
@article{arxiv.2004.05640,
title = {Relational Learning between Multiple Pulmonary Nodules via Deep Set Attention Transformers},
author = {Jiancheng Yang and Haoran Deng and Xiaoyang Huang and Bingbing Ni and Yi Xu},
journal= {arXiv preprint arXiv:2004.05640},
year = {2020}
}
备注
2020 IEEE 17th International Symposium on Biomedical Imaging (ISBI 2020)