3D コンテキスト強化型領域ベースの畳み込みニューラルネットワークを用いた エンドツーエンドの病変検出

CTスキャンから病変を検出することは重要な課題であるが、非病変と真の病変が類似した形状で現れるため、非常に困難な問題となっている。3次元（3D）コンテキストは、この識別タスクにおいて有用であることが知られている。しかし、現在の畳み込みニューラルネットワーク（CNN）のエンドツーエンド検出フレームワークは主に2次元（2D）画像向けに設計されている。本論文では、2D画像の特徴マップを集約することで3Dコンテキスト情報を効率的に取り入れる3Dコンテキスト強化型領域ベースCNN（3DCE）を提案する。3DCEは訓練が容易であり、訓練および推論においてもエンドツーエンドである。DeepLesionデータセットを使用して、すべての種類の病変を1つのアルゴリズムで検出する普遍的な病変検出器を開発した。この難易度の高いタスクにおける実験結果は、3DCEの有効性を証明している。我々は3DCEのコードを以下のURLで公開している: https://github.com/rsummers11/CADLab/tree/master/lesion_detector_3DCE。