利用类响应的弱监督 PET 肿瘤检测
图像与视频处理
2020-03-20 v2 计算机视觉与模式识别
机器学习
摘要
医学成像中最具挑战性的问题之一是缺乏数据和标注数据。已证明 U-NET 等经典分割方法有用，但由于标注数据的缺乏仍然受限。使用弱监督学习是解决此问题的一个有前景的途径，然而，由于图像间的巨大差异，训练一个模型来高效检测和定位不同类型病灶具有挑战性。在本文中，我们提出了一种仅使用图像级类标签来定位正电子发射断层扫描（PET）图像中不同类型病灶的新方法。首先，训练一个简单的卷积神经网络分类器，在两个 2D MIP 图像上预测癌症类型。然后，利用类激活图生成肿瘤的伪定位，通过反向传播并在多任务学习方法中结合先验知识进行修正，得到肿瘤检测掩码。最后，我们使用从两个 2D 图像生成的掩码来检测 3D 图像中的肿瘤。我们提出的方法的优势在于仅使用 PET 图像的两张 2D 图像就能检测 3D 图像中的整个肿瘤体积，并展现出非常有前景的结果。它可用作高效定位 PET 扫描中肿瘤的工具，这对医生而言是一项耗时的任务。此外，我们表明所提方法可用于开展具有最先进结果的放射组学研究。
引用
@article{arxiv.2003.08337,
title = {Weakly Supervised PET Tumor Detection Using Class Response},
author = {Amine Amyar and Romain Modzelewski and Pierre Vera and Vincent Morard and Su Ruan},
journal= {arXiv preprint arXiv:2003.08337},
year = {2020}
}
备注
Submitted to MICCAI 2020