MVP-Net：具有位置感知注意力机制的多视角FPN用于深度通用病灶检测

在计算机断层扫描（CT）图像上的通用病灶检测（ULD）是一个重要但尚未充分发展的课题。近年来，基于深度学习的方法被提出用于解决ULD问题，旨在从标注的CT数据中学习代表性特征。然而，深度学习模型对数据的强烈需求以及医学标注资源的稀缺限制了这些方法的进一步发展。本文中，我们提出将临床实践中的领域知识融入通用病灶检测器的设计中。具体而言，由于放射科医生通常会检查多个窗口以进行准确诊断，我们显式地建模这一过程，并提出了一种多视图特征金字塔网络（FPN），该网络从不同窗宽和窗位渲染的图像中提取多视图特征；为了有效结合这些多视图信息，我们进一步提出了一种位置感知注意力模块。通过这种模型设计，数据需求问题得到了缓解，因为正确的临床先验知识使得学习任务变得更加容易。我们在NIH DeepLesion数据集上展示了所提模型的有希望的结果，在[email protected]的敏感性方面比之前的最先进方法绝对提升了5.65%。