اكتشاف الجروح الشامل من خلال التعلم من مجموعات بيانات متعددة ومختلفة التسمية

اكتشاف البؤر المرضية هو مشكلة مهمة في تحليل الصور الطبية.ركز معظم العمل السابق على اكتشاف وتقسيم فئة محددة من البؤر المرضية (مثل، العقد الرئوية). ومع ذلك، في الممارسة السريرية، يتحمل الأطباء الإشعاعيون مسؤولية العثور على جميع أنواع التشوهات المحتملة. تم اقتراح مهمة اكتشاف البؤر المرضية الشامل (ULD) لمعالجة هذا التحدي من خلال اكتشاف مجموعة واسعة من البؤر المرضية من جميع أنحاء الجسم. هناك العديد من قواعد البيانات ذات التسميات غير المتجانسة والتي تختلف في درجة إكمال التسميات: DeepLesion، أكبر قاعدة بيانات تحتوي على 32,735 بؤرة مرضية مصنفة بأنواع مختلفة، ولكن مع حالات أكثر نقصًا في التصنيف؛ والعديد من قواعد البيانات التي تم تصنيفها بشكل كامل وتتعلق ببؤر مرضية من نوع واحد، مثل LUNA للعقد الرئوية وLiTS للأورام الكبدية. في هذا العمل، نقترح إطارًا جديدًا يستفيد من جميع هذه القواعد البيانات معًا لتحسين أداء ULD. أولاً، نتعلم كاشف بؤر مرضية متعدد الرؤوس ومهمات متعددة باستخدام جميع قواعد البيانات ونولد اقتراحات للبؤر المرضية في DeepLesion. ثانياً، يتم استرجاع التصنيفات الناقصة في DeepLesion بواسطة طريقة جديدة لمطابقة الانغماس تستغل المعرفة السابقة السريرية. أخيرًا، نكتشف البؤر المشتبه بها ولكن غير المسماة باستخدام نقل المعرفة من كواشف البؤر المرضية المنفردة. بهذه الطريقة، يتم الحصول على المناطق الإيجابية والسلبية الموثوقة من الصور الجزئياً المسماة وغير المسماة، والتي يتم استخدامها بكفاءة لتدريب ULD. لتقييم البروتوكول السريري الحقيقي لـ ULD الحجمي ثلاثي الأبعاد، قمنا بتسمية 1071 حجم جزئي بالأشعة المقطعية في DeepLesion بشكل كامل. تتفوق طريقتنا على أفضل النهج الحالية بنسبة 29% في مؤشر الحساسية المتوسطة.