Universelle Läsionsdetektion durch das Lernen aus mehreren heterogen beschrifteten Datensätzen

Die Lesionserkennung ist ein wichtiges Problem im Bereich der medizinischen Bildanalyse.Die meisten bisherigen Arbeiten konzentrieren sich auf die Erkennung und Segmentierung einer spezialisierten Kategorie von Läsionen (z. B. Lungenknoten). Im klinischen Alltag sind Radiologen jedoch verantwortlich für die Identifizierung aller möglichen Anomalietypen. Die Aufgabe der universellen Lesionserkennung (ULD) wurde vorgeschlagen, um diese Herausforderung zu bewältigen, indem eine große Vielfalt an Läsionen aus dem gesamten Körper erkannt wird. Es gibt mehrere heterogen beschriftete Datensätze mit unterschiedlichem Grad der Beschriftungsvollständigkeit: DeepLesion, der größte Datensatz mit 32.735 annotierten Läsionen verschiedener Arten, aber auch noch mehr fehlenden Annotationen; und mehrere vollständig beschriftete Einzel-Lesionsdatensätze, wie z. B. LUNA für Lungenknoten und LiTS für Lebertumoren. In dieser Arbeit schlagen wir einen neuen Ansatz vor, um alle diese Datensätze gemeinsam zu nutzen, um die Leistungsfähigkeit der ULD zu verbessern. Zunächst lernen wir einen Mehrkopf-Mehraufgaben-Lesionendetektor unter Verwendung aller Datensätze und generieren Lesionsvorschläge für DeepLesion. Anschließend werden fehlende Annotationen in DeepLesion durch eine neue Methode des Embedding-Matchings zurückgewonnen, die klinisches Vorwissen nutzt. Schließlich entdecken wir verdächtige, aber nicht annotierte Läsionen durch Wissensübertragung von Einzel-Lesionsdetektoren. Auf diese Weise werden verlässliche positive und negative Regionen aus teilweise beschrifteten und unbezeichneten Bildern gewonnen, die effektiv zur Schulung der ULD genutzt werden können. Um das klinisch realistische Protokoll der 3D-volumetrischen ULD zu evaluieren, haben wir 1071 CT-Teilvolumina in DeepLesion vollständig annotiert. Unsere Methode übertrifft den aktuellen Stand der Technik um 29% im Metrik des durchschnittlichen Sensitivitätsgrades.请注意，这里“fehlenden Annotation”和“nicht annotierte”虽然都是指“未标注”，但根据上下文的不同进行了区分，以使表达更加自然。此外，“Metrik des durchschnittlichen Sensitivitätsgrades”是“average sensitivity”的一种常见德语翻译方式。