SAPSAM——稀疏标注病理征象激活图——一种仅使用二值标签在肺部 CT 上训练卷积神经网络的新型方法
图像与视频处理
2019-02-08 v1 机器学习
机器学习
摘要
慢性肺曲霉病（CPA）是一种由曲霉感染引起的复杂肺部疾病。疑似及确诊患者常需进行计算机断层扫描（CT），但 CT 上的放射学征象难以量化，导致精准随访困难。我们提出一种仅使用关于病理征象存在的区域标签来训练卷积神经网络的新方法，不仅可检测 CPA，还能在空间上定位病理征象。我们利用不同亨氏单位（HU）值范围内的平均强度投影，将输入的 3D CT 扫描转换为类 2D RGB 图像。CNN 架构针对分层任务进行训练，从而得到病理模式的精确激活图。在 352 名受试者的队列上的结果表明其具有高分类精度、定位精度及 2 年生存的预测能力。该工具为接受药物治疗的 CPA 患者的分层及 CPA 病理征象的定量随访开辟了途径。
引用
@article{arxiv.1902.02629,
title = {SAPSAM - Sparsely Annotated Pathological Sign Activation Maps - A novel approach to train Convolutional Neural Networks on lung CT scans using binary labels only},
author = {Mario Zusag and Sujal Desai and Marcello Di Paolo and Thomas Semple and Anand Shah and Elsa Angelini},
journal= {arXiv preprint arXiv:1902.02629},
year = {2019}
}
备注
Accepted paper for ISBI2019