Lungenknotenklassifizierung mit tiefen lokalen-globale Netzwerken

Zweck: Lungenknoten haben sehr unterschiedliche Formen und Größen, was ihre Klassifizierung als gutartig/bösartig zu einem herausfordernden Problem macht. In dieser Arbeit schlagen wir eine neue Methode vor, um die Bösartigkeit von Knoten vorherzusagen, die in der Lage ist, sowohl die Form und Größe eines Knotens mithilfe eines globalen Merkmalsextraktors zu analysieren als auch die Dichte und Struktur des Knotens mithilfe eines lokalen Merkmalsextraktors.Methoden: Wir schlagen vor, für die lokale Merkmalsextraktion Residualsequenzen mit einer Kerngröße von 3x3 zu verwenden und für die Extraktion der globalen Merkmale Non-Local-Blöcke. Die Non-Local-Blöcke haben die Fähigkeit, globale Merkmale zu extrahieren, ohne eine große Anzahl von Parametern zu verwenden. Das zentrale Konzept hinter den Non-Local-Blöcken besteht darin, Matrixmultiplikationen zwischen Merkmalen auf denselben Merkmalskarten durchzuführen.Ergebnisse: Wir trainierten und validierten die vorgeschlagene Methode am LIDC-IDRI-Datensatz, der 1.018 computertomographische (CT) Aufnahmen enthält. Für das experimentelle Setup folgten wir einem strengen Verfahren, nämlich 10-facher Kreuzvalidierung, und ignorierten Knoten, die von weniger als drei Radiologen annotiert wurden. Die vorgeschlagene Methode erzielte Stand-of-the-Art-Ergebnisse mit AUC=95,62 % und übertraf dabei signifikant andere Baseline-Methoden.Schlussfolgerungen: Unser vorgeschlagenes Deep Local-Global Netzwerk verfügt über die Fähigkeit, sowohl lokale als auch globale Merkmale präzise zu extrahieren. Unsere neue Methode übertrifft Stand-of-the-Art-Architekturen wie Densenet und Resnet mit Transfer Learning.