다양한 이질적으로 라벨링된 데이터셋에서 학습을 통해 일반적인 병변 감지

레전 검출은 의료 영상 분석에서 중요한 문제입니다. 과거의 대부분 연구는 특정 종류의 레전(예: 폐 결절)을 감지하고 분할하는 데 초점을 맞추었습니다. 그러나 임상 현장에서는 방사선과 의사들이 모든 가능한 이상 징후를 찾아내는 책임이 있습니다. 이에 따라 다양한 부위의 레전을 대상으로 하는 광범위한 레전 검출(Universal Lesion Detection, ULD) 작업이 제안되었습니다. 여러 가지로 다르게 라벨링된 데이터셋이 있으며, 라벨의 완성도도 각기 다릅니다: 32,735개의 다양한 유형의 주석된 레전을 포함하지만 더 많은 주석 누락 사례가 있는 가장 큰 데이터셋인 DeepLesion; 그리고 폐 결절을 위한 LUNA와 간 종양을 위한 LiTS와 같은 완전히 주석된 단일 유형 레전 데이터셋들이 있습니다.본 연구에서는 이러한 모든 데이터셋을 활용하여 ULD의 성능을 향상시키는 새로운 프레임워크를 제안합니다. 첫째, 모든 데이터셋을 사용하여 다중 헤드 다중 태스크 레전 감지기를 학습하고 DeepLesion에서 레전 제안을 생성합니다. 둘째, 임상적 사전 지식을 활용하는 새로운 임베딩 매칭 방법으로 DeepLesion에서 누락된 주석들을 회수합니다. 셋째, 단일 유형 레전 감지기로부터 지식 전송을 통해 의심되지만 주석되지 않은 레정들을 발견합니다. 이렇게 하여 부분적으로 주석된 이미지와 주석되지 않은 이미지에서 신뢰할 수 있는 양성 및 음성 영역들을 얻어낼 수 있으며, 이를 통해 ULD를 효과적으로 학습시킬 수 있습니다.3D 볼륨 ULD의 임상적으로 현실적인 프로토콜을 평가하기 위해, 우리는 DeepLesion 내 1071개의 CT 부분 볼륨들을 완전히 주석화했습니다. 우리의 방법은 평균 민감도 측정 기준에서 현재 최고 수준의 접근법보다 29% 우수한 성능을 보였습니다.