摘要
在计算机断层扫描（CT）中，准确且自动化的病灶检测是一项重要但具有挑战性的任务，这是由于病灶类型、大小、位置和外观存在较大的变异。近期关于CT病灶检测的研究采用了基于两阶段区域提议的方法，并使用中心点或边界框注释进行训练。我们提出了一种高精度且高效的单阶段病灶检测器，通过重新设计RetinaNet以应对医学影像中的特定挑战。具体而言，我们利用差分进化搜索算法优化了锚配置。在训练过程中，我们利用了临床常规测量的实体肿瘤反应评估标准（RECIST）注释。我们将从弱RECIST标签中自动生成的密集掩码（使用GrabCut方法获得）纳入训练目标，结合其他改进措施，实现了新的最先进性能。我们在公共DeepLesion基准数据集上对我们的方法进行了评估，该数据集包含32,735个全身各部位的病灶。我们的单阶段检测器在每张图像4个假阳性的情况下达到了90.77%的敏感度，显著优于已报道的最佳方法超过5%。