结构化谱图学习在 3D 胸部 CT 扫描中的异常分类.pdfVIP

结构化谱图学习在3D胸部CT扫描中的异常分类

TheoDiPiazza,CaroleLazarus,OlivierNempont,andLoicBoussel

UniversityofLyon,INSALyon,CNRS,INSERM,CREATISUMR5220,U1294

HospicesCivilsdeLyon,Lyon,France

PhilipsClinicalInformatics,InnovationParis,France

theo.dipiazza@creatis.insa-lyon.fr

摘要随着CT扫描检查数量的增加，需要自动方法如器官分割、异常检测

本和报告生成来帮助放射科医生管理日益增长的工作量。3DCT扫描的多标

译签分类仍然是一个关键但具有挑战性的任务，因为体积数据内部存在复杂

的空间关系，并且观察到的异常种类繁多。基于3D卷积网络的方法在建

中模长距离依赖性方面能力有限，而视觉变换器则面临高昂的计算成本，并

1且通常需要在来自同一领域的大型数据集上进行大量的预训练才能达到具

v有竞争力的表现。在这项工作中，我们通过引入一种新的基于图形的方法

5

4提出了一种替代方案，该方法将CT扫描建模为结构化图，利用通过频谱

0域卷积处理的轴向切片三元节点来增强多标签异常分类性能。我们的方法

1

0表现出强大的跨数据集泛化能力，在实现对z轴平移鲁棒性的同时达到具

8.有竞争力的表现。一项消融研究评估了每个提议组件的贡献。

0

5Keywords:3D医学成像·胸部计算机断层扫描·图神经网络·光谱

2

:域·多标签异常分类。

v

i

x

r

a1介绍

计算机断层扫描（CT）是现代医学成像的基本模式，为放射科医生提供

了详细的人体横截面视图，用于检测和表征异常。然而，随着CT扫描数量

的增加，对基于自动化深度学习的方法来帮助放射科医生处理日益增长的工

作量的需求变得非常重要[6]。深度学习已经在各种CT相关任务中展示了

成功[1]，包括异常检测[16]、器官分割[21]、图像恢复[35]、报告生成[17]

以及特定患者的模型合成体积重建[16]。在这些任务中，3DCT体积中的

多标签异常分类仍然具有挑战性，这主要是因为处理体积数据的计算复杂性

和病理模式的多样性。早期深度学习方法利用了3D卷积神经网络（CNN），

有效捕捉局部空间特征但难以建模长距离依赖关系[25]。最近，视觉变换器

2DiPiazzaetal.

（ViTs）[12]，最初设计用于自然语言处理[31]，已被适应于二维[15]和三

维[18]医学成像。通过自我注意力机制实现长距离空间交互，ViTs在各种

医学成像任务中展现出了潜力[3]，因为它能