使用挤压与激励卷积神经网络对放射学肺气肿亚型进行鲁棒深度标注：MESA 肺部和 SPIROMICS 研究
计算机视觉与模式识别
2024-03-04 v1 机器学习
摘要
肺气肿是一种进行性、不可逆的肺组织丧失，传统上分为三种亚型，这些亚型可在病理学和肺部计算机断层扫描（CT）图像上识别。最近的研究导致在无监督情况下学习了十种空间感知的肺纹理模式（sLTPs），这些模式基于纹理外观和肺内空间位置代表了不同的肺气肿肺实质模式，并聚合成 6 种鲁棒且可复现的 CT 肺气肿亚型（CTES）。然而，现有的 sLTP 分割方法速度缓慢且对 CT 采集协议的变化高度敏感。在本工作中，我们提出了一种鲁棒的 3D 挤压与激励 CNN，用于对肺 CT 上的 sLTPs 和 CTES 进行监督分类。我们的结果表明，该模型在两个独立队列中，独立于扫描仪制造商和型号，均能在肺 CT 扫描上实现准确且可复现的 sLTP 分割。
引用
@article{arxiv.2403.00257,
title = {Robust deep labeling of radiological emphysema subtypes using squeeze and excitation convolutional neural networks: The MESA Lung and SPIROMICS Studies},
author = {Artur Wysoczanski and Nabil Ettehadi and Soroush Arabshahi and Yifei Sun and Karen Hinkley Stukovsky and Karol E. Watson and MeiLan K. Han and Erin D Michos and Alejandro P. Comellas and Eric A. Hoffman and Andrew F. Laine and R. Graham Barr and Elsa D. Angelini},
journal= {arXiv preprint arXiv:2403.00257},
year = {2024}
}