通过学习多个异构标注数据集实现通用病灶检测

病灶检测是医学影像分析中的一个重要问题。以往的大多数研究主要集中在检测和分割某一特定类别的病灶（例如，肺结节）。然而，在临床实践中，放射科医生需要发现所有可能类型的异常。为此，提出了全病灶检测（Universal Lesion Detection, ULD）任务，旨在从全身范围内检测多种类型的病灶。目前存在多个异构标记的数据集，其标签完整性各不相同：DeepLesion 是最大的数据集，包含 32,735 个各种类型的注释病灶，但也有更多的未注释实例；此外还有几个完全标记的单一类型病灶数据集，如用于肺结节的 LUNA 和用于肝肿瘤的 LiTS。在本研究中，我们提出了一种新的框架，旨在利用所有这些数据集来提高 ULD 的性能。首先，我们使用所有数据集训练一个多头多任务病灶检测器，并在 DeepLesion 上生成病灶提案。其次，通过一种新的嵌入匹配方法利用临床先验知识来检索 DeepLesion 中缺失的注释。最后，我们通过从单一类型病灶检测器中转移知识来发现可疑但未标注的病灶。这样可以从部分标注和未标注的图像中获得可靠的正样本和负样本区域，并有效地用于训练 ULD。为了评估 3D 容积 ULD 在临床上的实际应用效果，我们在 DeepLesion 数据集中对 1071 个 CT 子体积进行了全面标注。我们的方法在平均敏感度指标上比当前最先进的方法提高了 29%。