DKMA-ULD：基于领域知识增强的多头注意力机制的鲁棒性通用病灶检测

在深度网络中显式地融入特定数据领域的知识可以为病灶检测提供重要线索，并能减少对多样化异构数据集的需求，以学习鲁棒的检测器。本文中，我们利用计算机断层扫描（CT）中存在的领域信息，提出了一种鲁棒的通用病灶检测（ULD）网络，该网络通过单一数据集DeepLesion训练即可检测全身各器官的病灶。我们分析了使用启发式确定的亨斯菲尔德单位（HU）窗口生成的不同强度的CT切片，这些窗口分别突出显示不同的器官，并作为输入传递给深度网络。从多个强度图像中提取的特征通过一种新颖的卷积增强多头自注意力模块进行融合，随后传递给区域提议网络（RPN）进行病灶检测。此外，我们观察到传统用于自然图像的RPN锚框并不适合医学图像中常见的病灶尺寸。因此，我们建议在RPN中使用特定于病灶的锚框尺寸和比例，以提高检测性能。为了进一步吸收领域知识，我们使用自我监督方法初始化网络在DeepLesion数据集上的权重。我们提出的领域知识增强多头注意力通用病灶检测网络DMKA-ULD能够在不同器官周围生成精确且细致的边界框。我们在公开可用的DeepLesion数据集上评估了该网络的有效性，该数据集包含约32,000张带有注释病灶的CT扫描图像，涵盖全身所有器官。结果表明，我们的方法优于现有的最先进方法，总体灵敏度达到87.16%。