MVP-Net: شبكة FPN متعددة الآراء مع انتباه يعتمد على الموضع للكشف العميق عن الأورام بشكل شامل

اكتشاف الجروح الشامل (ULD) في صور التصوير المقطعي المحوسب (CT) هو مشكلة مهمة ولكنها غير مطورة بشكل كافٍ. مؤخرًا، تم اقتراح نماذج تعتمد على التعلم العميق لحل مشكلة ULD، بهدف تعلم الخصائص التمثيلية من بيانات التصوير المقطعي المحوسب المشمولة بالتعليقات. ومع ذلك، فإن الحاجة إلى البيانات في نماذج التعلم العميق والنقص الحاد في التعليقات الطبية يعرقلان تقدم هذه النماذج. في هذا البحث، نقترح دمج المعرفة المجالية الموجودة في الممارسة السريرية في تصميم نموذج الكاشفات الشاملة للجروح. بصفة خاصة، بما أن الأطباء الإشعاعيين يميلون إلى فحص عدة نوافذ للحصول على تشخيص دقيق، فقد قمنا بنمذجة هذا العملية بشكل صريح واقترحنا شبكة هرمية متعددة الآراء (FPN)، حيث يتم استخراج خصائص متعددة الآراء من الصور التي تم عرضها باستخدام عرض نوافذ مختلف وأسويتها؛ لدمج هذه المعلومات المتعددة الآراء بشكل فعال، اقترحنا أيضًا وحدة انتباه حساسة للموقع. مع تصميم النموذج المقترح، يتم تخفيف مشكلة الحاجة إلى البيانات حيث يصبح مهمة التعلم أسهل بفضل الأولوية السريرية المستوحاة بشكل صحيح. نعرض نتائج واعدة باستخدام النموذج المقترح، حيث حققنا زيادة مطلقة بنسبة $\mathbf{5.65\%}$ (في حساسية [email protected]) مقارنة بأحدث ما سبقه من أبحاث على مجموعة بيانات NIH DeepLesion.