基于级联卷积神经网络的 CT 扫描半自动 RECIST 标注
计算机视觉与模式识别
2018-06-26 v1
摘要
实体瘤疗效评价标准（RECIST）是评估癌症患者治疗反应的肿瘤范围标准测量方法。因此，RECIST 标注必须准确。然而，由放射科医生手动标注的 RECIST 需要专业知识且耗时、主观，并易于在不同观察者间产生不一致。为缓解这些问题，我们提出一种基于级联卷积神经网络的方法，以半自动标注 RECIST 并大幅减少标注时间。所提方法包含两个阶段：病灶区域归一化与 RECIST 估计。我们采用空间变换网络（STN）进行病灶区域归一化，其中设计了一个定位网络以多任务学习策略预测病灶区域与变换参数。对于 RECIST 估计，我们改编堆叠沙漏网络（SHN），引入关系约束损失以提升估计精度。STN 与 SHN 均可端到端学习。我们在 DeepLesion 数据集上训练系统，获得了一个基于多名放射科医生多年期 RECIST 标注的共识模型。重要的是，当与另外两名放射科评分者间的读取差异相比时，我们的系统表现更稳定且变异性更小，表明 RECIST 标注可在更少人力与时间下可靠获取。
引用
@article{arxiv.1806.09507,
title = {Semi-Automatic RECIST Labeling on CT Scans with Cascaded Convolutional Neural Networks},
author = {Youbao Tang and Adam P. Harrison and Mohammadhadi Bagheri and Jing Xiao and Ronald M. Summers},
journal= {arXiv preprint arXiv:1806.09507},
year = {2018}
}
备注
Accepted by MICCAI 2018