基于神经网络的 T2 MRI 淋巴结通用检测
图像与视频处理
2022-04-05 v1 人工智能
计算机视觉与模式识别
机器学习
摘要
目的：在 T2 磁共振成像（MRI）扫描中识别疑似转移的腹部淋巴结（LN）对于淋巴增殖性疾病的分期至关重要。既往 LN 检测工作局限于单张 MR 切片中身体的特定解剖区域（骨盆、直肠）。因此，开发一种在完整 T2 MRI 体积中检测 LN 的通用方法非常必要。方法：本研究提出一种计算机辅助检测（CAD）流程，利用神经网络在体积 T2 MRI 中通用识别腹部 LN。首先，我们训练了多种用于 LN 检测的神经网络模型：带与不带难负样本挖掘（HNEM）的 Faster RCNN、FCOS、FoveaBox、VFNet 和 Detection Transformer（DETR）。接着，我们表明带自适应训练样本选择（ATSS）的 SOTA VFNet 模型优于带 HNEM 的 Faster RCNN。最后，我们对超过 45% mAP 阈值的模型进行集成。我们发现 VFNet 模型与单阶段模型集成可互换用于 CAD 流程。结果：在 122 个测试 T2 MRI 体积上的实验显示，VFNet 在每个体积 4 个假阳性（FP）下达到 51.1% mAP 与 78.7% 召回率，而单阶段模型集成在每个体积 4FP 下达到 52.3% mAP 与 78.7% 灵敏度。结论：我们的贡献是一个在 T2 MRI 体积中检测 LN 的 CAD 流程，相较当前 LN 检测的 SOTA 方法灵敏度提升约 14 个百分点（每个体积 4 FP 下 78.7% 对比 5 FP 下 64.6%）。
引用
@article{arxiv.2204.00622,
title = {Universal Lymph Node Detection in T2 MRI using Neural Networks},
author = {Tejas Sudharshan Mathai and Sungwon Lee and Thomas C. Shen and Zhiyong Lu and Ronald M. Summers},
journal= {arXiv preprint arXiv:2204.00622},
year = {2022}
}
备注
Accepted at CARS 2022 (CAR track)