利用深卷积神经网络对肺间质性病变的CT衰减模式进行整体分类
本文提出了一种对CT图像进行固体成像模式分类的新方法。主要区别在于,该算法使用整个图像作为整体输入。通过绕过人工输入roi的前提。
肺部疾病的CAD系统,大多数侧重于识别和量化单一模式,如实变或结节。对于计算机辅助的ILD分类,以往的研究均采用了基于patch的图像表征方法,分级结果理想。
作者的方法可用于CT整体切片的分类和标签ILD标记,并可用于大量的影像学数据的预处理,预处理后的数据可以作为反馈放大训练数据集。
下图展示六种肺组织的纵向切片。
对原始CT图像重新标注,获得了三个与肺异常模式相关的衰减尺度,分别为低衰减尺度,高衰减尺度,组成模式。
使用三个衰减范围提供了更好的可视性或视觉分离在所有六类固体疾病。使用这三个范围的另一个原因是为了适应我们采用的CNN架构来自ImageNet使用自然图像的RGB值。
三个CT衰减范围的使用也适应了三个输入通道的CNN架构。
下图是训练架构的流程图。
所有患者在患者层面上被随机分配为两个亚组进行培训(100例患者)和测试(20例患者),同一个患者的不同切片不会同时出现在训练和测试中。
作者以整体图像(即CT切片)作为输入,与以往不同的是输入ROI区域的patch。注意以前的工作只报告了patch分类的表现,而不是对整个图像切片或患者层面的表现评估,后者实际上更具有临床相关性。
未来的工作:有些病在同一幅CT图像上有多个病,在片级别使用多个标签进行检测也将非常有意义。