强大而准确的肺结节检测与自主监督的特征学习领域适应

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 计算机辅助诊断 计算机辅助诊断

背景情况:

• 医学成像数据的注释是昂贵和耗时的.
• 用于计算机辅助诊断 (CAD) 的监督深度学习面临着有限的数据和供应商可变性的过度装配.
• 高错误阳性率阻碍了自动肺结节检测的临床应用.

研究的目的:

• 为CT扫描开发一个强大而准确的肺结节检测框架.
• 为了应对有限数据,过度匹配和高错误阳性率在CAD中的挑战.
• 提高自动肺结节检测的通用性和临床适用性.

主要方法:

• 一个新的自我学习模式训练了一个预先训练的模型在未标记的数据上进行丰富的特征表示.
• 建议使用3D特征金字塔网络 (3DFPN) 用于使用多尺度特征进行高灵敏度结节检测.
• 高灵敏度和特异性 (HS) 网络通过使用位置历史图像 (LHI) 分析CT片中的外观变化来减少假阳性.

主要成果:

• 拟议的探测器在LUNA16数据集上以较低的假阳性率实现了最先进的灵敏度.
• 该框架在新型数据集中展示了一致的检测性能.
• 在各种CT扫描仪数据集 (SPIE-AAPM,LungTIME,HMS) 上验证了通用性.

结论:

• 开发的自学框架显著提高了肺结节检测的准确性和稳定性.
• 拟议的3DFPN和HS网络有效地提高了敏感性并减少了错误阳性.
• 这种方法为临床实践中可靠的计算机辅助诊断提供了一个有希望的解决方案.