Bedingte Schulung mit Begrenzungsabbildung für die universelle Erkennung von Läsionen

Die universelle Läsionserkennung (ULD) in der Computertomographie spielt eine wesentliche Rolle bei computergestützter Diagnose. Zweistufige Erkennungsansätze mit einer grob-zu-feinen Methode haben vielversprechende ULD-Ergebnisse gemeldet, jedoch leiden solche zweistufigen ULD-Methoden noch unter Problemen wie der Ungleichgewichtigkeit von positiven und negativen Ankers (Anchors) während der Objektvorschlagsphase und dem Mangel an ausreichender Überwachung während der Lokalisierungsregression und Klassifizierung der Region-of-Interest (RoI)-Vorschläge. Obwohl die Nutzung von Pseudo-Segmentierungsmasken, wie z.B. Bounding Map (BM), diese Probleme bis zu einem gewissen Grad reduzieren kann, bleibt es ein offenes Problem, die vielfältigen Formen und Größen von Läsionen in ULD effektiv zu behandeln. In dieser Arbeit schlagen wir eine BM-basierte bedingte Trainingsmethode für zweistufige ULD vor, die (i) das Ungleichgewicht zwischen positiven und negativen Ankers durch einen BM-basierten Bedingungsmechanismus (BMC) für die Ankerselektion reduziert, anstelle der traditionellen IoU-basierten Regel; und (ii) adaptive, größenangepasste BMs (ABMs) aus den Läsionsbegrenzungen berechnet, welche zur Verbesserung der Läsionslokalisierung durch ABM-gesteuerte Segmentierung verwendet werden. Experimente mit vier Stand-der-Technik-Methoden zeigen, dass der vorgeschlagene Ansatz fast ohne zusätzlichen Aufwand eine Erhöhung der Erkennungsgenauigkeit ermöglicht, ohne teure Annotationen von Läsionsmasken zu benötigen.