利用聚合多分辨率深度分割特征的胸部 CT 弱监督三维分类
计算机视觉与模式识别
2020-11-03 v1
摘要
CT 影像的弱监督疾病分类因病例级标注而存在定位不佳的问题，其中即便一张阳性扫描也可在多个平面上包含数百至数千张阴性切片。此外，尽管深度学习分割与分类模型从相同目标类别中提取截然不同的解剖特征组合，它们在计算机辅助诊断（CAD）流程中通常被视为两个独立过程，几乎无特征复用。在本研究中，我们提出一种医学分类器，利用通过多分辨率分割特征图学习的语义结构概念，来引导胸部 CT 体积的弱监督三维分类。此外，我们对两类不同的特征聚合方法进行比较分析，以探索特征融合的广泛可能性。使用由基于规则的模型在病例级标注的 1593 张扫描数据集，我们训练了一个双阶段卷积神经网络（CNN）以执行肺部四种代表性疾病（肺气肿、肺炎/肺不张、肿块与结节）的器官分割与二分类。具有独立分割与分类阶段的基线模型得到 AUC 0.791。在相同的超参数下，使用静态与动态特征聚合的连通架构分别将性能提升至 AUC 0.832 与 0.851。本研究从两个关键方面推进了该领域：第一，利用病例级报告数据弱监督地训练针对器官的多疾病同步三维 CT 分类器；第二，以两种不同特征聚合策略连接分割与分类模型以提升分类性能。
引用
@article{arxiv.2011.00149,
title = {Weakly Supervised 3D Classification of Chest CT using Aggregated Multi-Resolution Deep Segmentation Features},
author = {Anindo Saha and Fakrul I. Tushar and Khrystyna Faryna and Vincent M. D'Anniballe and Rui Hou and Maciej A. Mazurowski and Geoffrey D. Rubin and Joseph Y. Lo},
journal= {arXiv preprint arXiv:2011.00149},
year = {2020}
}
备注
Accepted to 2020 SPIE Medical Imaging: Computer-Aided Diagnosis [oral presentation]