基于全局异图融合与视图特定参数化的可靠超声肝纤维化评估
图像与视频处理
2020-08-11 v1 计算机视觉与模式识别
机器学习
摘要
超声（US）是诊断肝纤维化的关键模态。遗憾的是，评估极具主观性，这促使了自动化方法的发展。我们引入了一种原则性的深度卷积神经网络（CNN）工作流，其包含若干创新。首先，为避免对非相关图像特征的过拟合，我们强制网络聚焦于涵盖肝实质和上界的临床感兴趣区域（ROI）。其次，我们提出全局异图融合（GHIF），使CNN能够融合一项研究中任意数量图像的特征，提升了通用性与灵活性。最后，我们使用基于“风格”的视图特定参数化（VSP）为肝脏的不同视角定制CNN处理，同时在各视图间保持大多数参数一致。在610例患者研究（6979张图像）数据集上的实验表明，相比传统分类器，我们的流程分别在90%精确率下的曲线部分面积和召回率上带来约7%和22%的提升，验证了我们对这一关键问题的处理方法。
引用
@article{arxiv.2008.03352,
title = {Reliable Liver Fibrosis Assessment from Ultrasound using Global Hetero-Image Fusion and View-Specific Parameterization},
author = {Bowen Li and Ke Yan and Dar-In Tai and Yuankai Huo and Le Lu and Jing Xiao and Adam P. Harrison},
journal= {arXiv preprint arXiv:2008.03352},
year = {2020}
}
备注
10 pages, MICCAI 2020