利用三维卷积神经网络解释支气管内超声图像以区分纵隔良恶性病变
图像与视频处理
2021-08-03 v2 计算机视觉与模式识别
摘要
本研究的目的是通过支气管内超声（EBUS）图像利用三维卷积神经网络区分纵隔良性和恶性病变。与既往研究相比，我们提出的模型对噪声具有鲁棒性，并能够融合 EBUS 视频的各种成像特征和时空特征。支气管内超声引导经支气管针吸活检（EBUS-TBNA）是胸内淋巴结的诊断工具。医师在操作中可使用灰度模式、多普勒模式和弹性成像观察病变特征。为以视频形式处理 EBUS 数据并恰当整合多成像模式的特征，我们采用时间序列三维卷积神经网络（3D CNN）学习时空特征，并设计多种架构以融合各成像模式。我们的模型（Res3D_UDE）以灰度模式、多普勒模式和弹性成像作为训练数据，在验证集上达到 82.00% 的准确率和 0.83 的曲线下面积（AUC）。与既往研究相比，我们直接使用操作中记录的视频作为训练和验证数据，无需额外人工筛选，可能更易于临床应用。此外，采用 3D CNN 设计的模型也能有效学习时空特征并提高准确率。未来，我们的模型可用于引导医师在检查过程中快速准确地找到目标病变进行切片取样，减少良性病变的切片数量，并缩短检查时间。
引用
@article{arxiv.2107.13820,
title = {The interpretation of endobronchial ultrasound image using 3D convolutional neural network for differentiating malignant and benign mediastinal lesions},
author = {Ching-Kai Lin and Shao-Hua Wu and Jerry Chang and Yun-Chien Cheng},
journal= {arXiv preprint arXiv:2107.13820},
year = {2021}
}