Détecteur Universel de Lésions par Apprentissage à Partir de Jeux de Données Étiquetés Hétérogènement

La détection de lésions est un problème important dans l'analyse des images médicales. La plupart des travaux précédents se concentrent sur la détection et le segmentage d'une catégorie spécialisée de lésions (par exemple, les nodules pulmonaires). Cependant, en pratique clinique, les radiologues sont responsables de la recherche de tous les types possibles d'anomalies. La tâche de détection universelle des lésions (DUL) a été proposée pour relever ce défi en détectant une grande variété de lésions provenant de tout le corps. Il existe plusieurs jeux de données hétérogènes avec des niveaux variés d'annotation : DeepLesion, le plus grand jeu de données contenant 32 735 lésions annotées de divers types, mais avec encore plus d'instances non annotées ; et plusieurs jeux de données entièrement étiquetés pour des lésions d'un seul type, tels que LUNA pour les nodules pulmonaires et LiTS pour les tumeurs hépatiques.Dans cette étude, nous proposons un nouveau cadre permettant d'utiliser tous ces jeux de données ensemble afin d'améliorer les performances de la DUL. Premièrement, nous apprenons un détecteur multi-têtes multi-tâches de lésions en utilisant tous les jeux de données et générons des propositions de lésions sur DeepLesion. Deuxièmement, les annotations manquantes dans DeepLesion sont récupérées par une nouvelle méthode d'appariement d'embeddings qui exploite la connaissance préalable clinique. Enfin, nous identifions des lésions suspectes mais non annotées grâce au transfert de connaissances depuis des détecteurs spécialisés dans un seul type de lésion. Ainsi, des régions positives et négatives fiables sont obtenues à partir d'images partiellement étiquetées et non étiquetées, qui sont utilisées efficacement pour entraîner la DUL.Pour évaluer le protocole réaliste cliniquement de la DUL volumétrique 3D, nous avons entièrement annoté 1 071 sous-volumes CT dans DeepLesion. Notre méthode surpassent l'approche actuelle state-of-the-art (état de l'art) avec une amélioration de 29 % en termes de sensibilité moyenne.