AI诊断肺结节

最新推荐文章于 2024-04-09 21:37:11 发布

我爱计算机视觉

最新推荐文章于 2024-04-09 21:37:11 发布

阅读量3.1k

点赞数 1

AI诊断肺结节

本期我们介绍一篇发表在MIA的文章：Shape and margin-aware lung nodule classification in low-dose CT images via soft activation mapping

人工智能技术在基于医学影像的肺结节辅助诊断（检测和分类）领域已有广泛的研究，也有不少研究成果已经服务于放射科医生，一定程度上提高了医生的工作效率。目前的深度学习算法的可解释性问题仍然是AI领域亟待解决的问题，现有的CAM和Grad-CAM等方法的提出为探究深度神经网络做决策的依据提供了比较好的解释。它们针对自然图像中目标的定位和分类得到了较准确的attention map，但是对于肺结节分类（良性／恶性）的任务表现的不是很好。

图1 自然图像和肺结节图像的区别

如图1的对比可以看出，CNN对于自然图像更着重于在复杂背景中找到目标物体，而CT的肺结节样本形态各异，背景单一，对于一般的基于CNN的分类网络来说，难以捕获更具区分性的特征，而且良性与恶性结节的本体部分（红色虚线框）在视觉上无太大差异。因此，我们将视线转向关注于肺结节的形态和边缘（shape and margin）信息，提出了软激活映射方法（soft activation mapping，SAM）。通过SAM和U-Net的结合，可以很好地让模型关注在结节的边缘和不规则的形态上，从而对分类结果有一定的提升。

SAM方法如图2所示，n个特征图为卷积神经网络最后一层的输出，与CAM不同的是，对每个特征图都接一个均值pooling（不是global pooling）和一个全链接层（只有一个神经元，即输出是一个向量）。在CAM中，最后的global pooling使得网络学到的特征图中的所有pixel对分类器的决策有同等的贡献，而SAM通过均值pooling将每个特征图分成小block，然后每个小块经过pooling后作为其全链接层输入的一维，即每个小block中pixel对分类器的贡献是通过学习得到的，有不同权重。

图2 软激活映射（SAM）

图2中的高层特征为卷积神经网络的高层卷积得到的具有一定语义信息的特征，通过全局pooling后，与n个单独的全链接层的输出相加。整个SAM模块的实际使用是与U-Net结构相结合，如图3所示。

图3 SAM和HESAM的具体实现

实验中的数据使用的是LIDC-IDRI数据集，扔掉了平均得分为3的样本，构造了4个数据集，不同的输入对应网络第一层的输入通道数不同。同时文中也得到一个发现：随通道数的增加，过拟合的现象有所缓解，结合图4中的结果可以看出，相比于只有中心切片的11通道数据，多切片的数据通过本文方法可以提取到更全面的有区分性的特征。