基于神经网络集成的 CT 扫描通用病灶检测
图像与视频处理
2021-11-12 v2 计算机视觉与模式识别
摘要
在临床实践中，放射科医生依赖病灶大小来区分转移性与非转移性病灶。病灶测量的前提是检测，因为检测促进了对肿瘤扩散的下游评估。然而，病灶在 CT 扫描中的大小和外观各异，放射科医生在繁忙的临床工作中常漏掉小病灶。为克服这些挑战，我们提出使用最先进的检测神经网络标记 NIH DeepLesion 数据集中存在的可疑病灶以进行测量。此外，我们引入边界框融合技术以最小化假阳性 (FP) 并提高检测精度。最后，为模拟临床使用，我们构建了最佳检测模型的集成，以 65.17% 的精确率和每幅图像 4 个 FP 下 91.67% 的灵敏度定位病灶用于测量。我们的结果在挑战性 CT 扫描的病灶检测中改进或保持了当前 SOTA 方法的性能。
引用
@article{arxiv.2111.04886,
title = {Universal Lesion Detection in CT Scans using Neural Network Ensembles},
author = {Tarun Mattikalli and Tejas Sudharshan Mathai and Ronald M. Summers},
journal= {arXiv preprint arXiv:2111.04886},
year = {2021}
}
备注
Accepted at SPIE 2022