用于体内高光谱喉癌检测的空-谱深度学习方法
图像与视频处理
2020-04-22 v1 计算机视觉与模式识别
摘要
头颈肿瘤的早期检测对患者存活至关重要。通常，诊断基于喉部内窥镜检查并结合活检和组织学分析，由于主观评估导致较高的观察者间变异性。在这方面，不依赖临床医生的早期无创诊断将是有价值的工具。近期一项研究表明，高光谱成像（HSI）可用于头颈肿瘤的无创检测，因为癌前或癌变病变显示出区别于健康组织的特定光谱特征。然而，由于高光谱变化、各种图像干扰以及数据的高维性，HSI 数据处理具有挑战性。因此，自动 HSI 分析的性能有限，且迄今为止主要呈现的是体外研究和深度学习。在本工作中，我们分析用于体内高光谱喉癌检测的深度学习技术。为此，我们设计并评估了具有 2D 空间或 3D 空-谱卷积并结合前沿 Densenet 架构的卷积神经网络（CNNs）。为评估，我们使用了一个包含口腔或口咽部 HSI 的体内数据集。总体而言，我们提出了多种基于 HSI 的体内喉癌检测深度学习技术，并表明联合从空间和光谱域学习可显著提升分类准确率。我们的 3D 空-谱 Densenet 达到了 81% 的平均准确率。
引用
@article{arxiv.2004.10159,
title = {Spatio-spectral deep learning methods for in-vivo hyperspectral laryngeal cancer detection},
author = {Marcel Bengs and Stephan Westermann and Nils Gessert and Dennis Eggert and Andreas O. H. Gerstner and Nina A. Mueller and Christian Betz and Wiebke Laffers and Alexander Schlaefer},
journal= {arXiv preprint arXiv:2004.10159},
year = {2020}
}
备注
Accepted at SPIE Medical Imaging 2020