通过多异构标注数据集学习实现通用病灶检测
计算机视觉与模式识别
2020-05-29 v1
摘要
病灶检测是医学影像分析中的一个重要问题。以往大多数工作聚焦于检测和分割特定类别的病灶（例如肺结节）。然而，在临床实践中，放射科医生负责发现所有可能类型的异常。通用病灶检测（ULD）任务被提出以应对这一挑战，即从全身检测多种类型的病灶。存在多个标注异构且标注完备性各异的数据集：DeepLesion，包含 32,735 个各类标注病灶的最大数据集，但存在更多缺失标注实例；以及若干完全标注的单类型病灶数据集，如用于肺结节的 LUNA 和用于肝肿瘤的 LiTS。在本工作中，我们提出一种新颖框架，联合利用所有这些数据集以提升 ULD 性能。首先，我们使用所有数据集学习一个多头多任务病灶检测器，并在 DeepLesion 上生成病灶候选。其次，通过一种利用临床先验知识的嵌入匹配新方法来补全 DeepLesion 中的缺失标注。最后，我们利用从单类型病灶检测器的知识迁移来发现可疑但未标注的病灶。通过这种方式，从部分标注和未标注图像中获得可靠的正样本和负样本区域，并被有效用于训练 ULD。为评估 3D 体积 ULD 的临床真实协议，我们在 DeepLesion 中完整标注了 1071 个 CT 子体数据。我们的方法在平均灵敏度指标上比当前最先进方法高出 29%。
引用
@article{arxiv.2005.13753,
title = {Universal Lesion Detection by Learning from Multiple Heterogeneously Labeled Datasets},
author = {Ke Yan and Jinzheng Cai and Adam P. Harrison and Dakai Jin and Jing Xiao and Le Lu},
journal= {arXiv preprint arXiv:2005.13753},
year = {2020}
}