基于生成对抗网络的无监督胸片肺结节检测
图像与视频处理
2021-08-29 v1 计算机视觉与模式识别
机器学习
摘要
肺结节在胸片上常被漏诊。我们提出并评估了P-AnoGAN，一种用于胸片中肺结节的无监督异常检测方法。P-AnoGAN通过采用渐进式GAN与卷积编码器-解码器-编码器流水线，改进了快速异常检测生成对抗网络（f-AnoGAN）。模型训练仅使用从印第安纳大学胸部X射线集中提取的未标记健康肺区块。外部验证与测试分别使用从ChestX-ray14与日本放射技术学会数据集中提取的健康与不健康区块进行。我们的模型在外部验证与测试数据中稳健地识别出含肺结节的区块，ROC-AUC分别为91.17%与87.89%。这些结果表明无监督方法可能在诸如胸片肺结节检测等挑战性任务中有用。
引用
@article{arxiv.2108.02233,
title = {Unsupervised Detection of Lung Nodules in Chest Radiography Using Generative Adversarial Networks},
author = {Nitish Bhatt and David Ramon Prados and Nedim Hodzic and Christos Karanassios and H. R. Tizhoosh},
journal= {arXiv preprint arXiv:2108.02233},
year = {2021}
}
备注
Accepted in EMBC 2021: 43rd Annual International Conference of the IEEE Engineering in Medicine and Biology Society