论文标题:Effective Lymph Nodes Detection in CT Scans Using Location Debiased Query Selection and Contrastive Query Representation in Transformer
1. 创新与工作主要内容
创新点总结
本文提出了一种新的淋巴结检测变换器(Lymph Node DEtection TRansformer,简称LN-DETR),旨在提高计算机断层扫描(CT)图像中淋巴结的检测精度。该模型基于Mask DINO框架,通过引入位置去偏置查询选择(Location Debiased Query Selection)和对比查询表示学习(Contrastive Query Representation),显著提升了淋巴结查询的表示质量,从而减少了假阳性(False Positives, FPs)和重复预测。此外,模型通过多尺度2.5D特征融合显式地整合了3D上下文,进一步提高了检测的准确性。
摘要部分翻译
标题:在CT扫描中使用位置去偏置查询选择和对比查询表示的变换器有效检测淋巴结
摘要:淋巴结(LN)评估是放射学和肿瘤学日常临床工作流程中关键且不可或缺的任务,其准确性对癌症诊断、分期和治疗计划至关重要。在3D CT图像中发现分布散乱、对比度低的临床相关淋巴结即使对于经验丰富的医生来说也是一项挑战,存在高度的观察者间变异性。先前的自动LN检测工作通常由于相邻解剖结构具有相似的图像强度、形状或纹理(如血管、肌肉、食管等),导致召回率有限且假阳性率高。在这项工作中,我们提出了一种新的LN检测变换器,名为LN-DETR,以实现更准确的性能。通过增强2D骨干网络与多尺度2.5D特征融合以显式整合3D上下文,更重要的是,我们做出了两个主要贡献来提高LN查询的表示质量:1)考虑到LN边界通常不清晰,提出了IoU预测头和位置去偏置查询选择,以选择定位精度更高的LN查询作为解码器查询的初始化;2)为了减少FPs,采用查询对比学习,明确加强与最佳匹配的真实查询相匹配的LN查询,而不是与不匹配的查询预测。在来自不同身体部位(颈部、胸部和腹部)和病理/癌症的七个LN数据集上训练和测试了1067名患者的3D CT扫描(超过10,000个标记的LNs),我们的方法显著提高了先前领先方法的性能,平均召回率提高了4%至5%,同时在内部和外部测试中保持相同的FP率。我们进一步在NIH DeepLesion基准上评估了通用病变检测任务,并且我们的方法达到了88.46%的平均召回率,每张图像0.5到4个FPs,与其他领先的报告结果相比。
2. 实验数据
数据集
- NIH-LN:公共数据集,包含89名患者的1956个淋巴结。
- Center1-HN:内部数据集,包含256名患者的1890个淋巴结,关注头颈部癌症。
- Center2-Eso 和 Center2-Lung:分别包含91名和97名患者的食管癌和肺癌数据。
- Center3-Eso:300名患者的食管癌数据,包含2515个淋巴结。
- Center4-Mul 和 Center5-HN:分别包含184名和50名患者的多种疾病和头颈部癌症数据。
评价指标
- 召回率(Recall):在不同FPs(每患者/CT体积)下的敏感性/召回率。
- 平均精度(AP):在0.1 IoU阈值下的3D平均精度。
效果提升
LN-DETR在内部测试中平均召回率提升了4.95%,在外部测试中提升了4.01%,与先前领先的检测方法相比。此外,在NIH DeepLesion数据集上的通用病变检测任务中,LN-DETR实现了88.46%的平均召回率,表现优于其他方法。
3. 信息补充
- 代码:[目前未提及代码是否公开。]
- 数据集:部分数据集为公共数据集,如NIH-LN,其他为来自不同临床中心的内部数据集。
- 文章链接:arXiv: 2404.03819v1
文章的创新之处在于其提出的LN-DETR模型,该模型通过先进的查询选择和表示学习方法,在淋巴结检测任务中取得了显著的性能提升。通过在大规模的CT扫描数据集上的实验验证,该方法证明了其在提高检测准确性和减少假阳性预测方面的有效性。
附录:相关图片: