CTスキャンにおける効率的なアンカーなし普遍的病変検出

既存の普遍的な病変検出（Universal Lesion Detection: ULD）手法は、計算量の多いアンカーに基づくアーキテクチャを利用しており、事前に定義されたアンカーボックスに依存しています。これにより、特に小型および中型の病変において検出性能が満足できるものになっていません。さらに、これらのデフォルトで固定されたアンカーサイズと比率は、異なるデータセットに対して十分に汎化されません。したがって、我々は様々なサイズの病変に対して優れた性能を発揮する堅牢な一段階式のアンカーフリー病変検出ネットワークを提案します。このネットワークは、ボックス予測がオブジェクトとの重複ではなく中心点に基づいて関連性をソートできることを利用して設計されています。また、ULDの性能向上のために、複数のHUウィンドウを使用して生成された多強度画像という形でドメイン固有情報を明示的に提供することを示します。その後、自己注意に基づく特徴量融合とCTスキャン上の自己監督学習によって得られた重みを使用したバックボーン初期化を行います。我々は最先端手法と同等の結果を得ており、DeepLesionデータセットでは全体的な感度86.05%を達成しました。このデータセットには約32,000件のCTスキャンが含まれており、様々な臓器に注釈された病変が含まれています。