基于动态对比增强磁共振成像的4D迁移学习在乳腺癌诊断中的应用
医学物理
2019-11-11 v1 计算机视觉与模式识别
机器学习
图像与视频处理
摘要
使用动态对比增强磁共振成像（DCE-MRI）的深度迁移学习在乳腺病变定性方面已显示出较强的预测能力。然而，预训练的卷积神经网络（CNN）需要 2D 输入，限制了利用 DCE-MRI 中固有的、对病变评估具有临床价值的丰富 4D（体积与时间）图像信息的能力。从头训练 3D CNN 是利用医学图像中高维信息的常用方法，但计算代价高昂，且并不最适合中等规模的医疗数据集。因此，我们提出一种利用迁移学习的新方法，该方法融入 DCE-MRI 的 4D 信息：体积信息通过在垂直于横截面的投影方向上最大池化在特征层被压缩，而时间信息则包含在第二期后对比减影图像中。我们的方法在包含 1161 个乳腺病变的数据集上获得了 0.89±0.01 的受试者工作特征曲线下面积，显著优于先前通过使用最大强度投影（MIP）图像来融入 DCE-MRI 中 4D 信息的方法。
引用
@article{arxiv.1911.03022,
title = {Transfer Learning in 4D for Breast Cancer Diagnosis using Dynamic Contrast-Enhanced Magnetic Resonance Imaging},
author = {Qiyuan Hu and Heather M. Whitney and Maryellen L. Giger},
journal= {arXiv preprint arXiv:1911.03022},
year = {2019}
}
备注
Machine Learning for Health (ML4H) at NeurIPS 2019 - Extended Abstract