3D deep learning based classification of pulmonary ground glass opacity nodules with automatic segmentation.
3D deep learning based classification of pulmonary ground glass opacity nodules with automatic segmentation.
复制标题
基于3D深度学习的肺磨玻璃样阴影结节自动分割分类。
DOI：
10.1016/j.compmedimag.2020.101814
复制
发表时间：
2021-03
期刊：
影响因子：
--
通讯作者：
Jayender J
中科院分区：
文献类型：
--
作者：
Wang D;Zhang T;Li M;Bueno R;Jayender J
在诊断CT图像上将肺磨玻璃结节（GGN）分为非典型腺瘤样增生（AAH）、原位腺癌（AIS）、微创腺癌（MIA）和浸润性腺癌（IAC）对于评估肺癌患者的治疗选择非常重要。在本文中，我们提出了一种联合深度学习模型，其中分割可以更好地促进肺部GGN的分类。基于我们的观察，即掩蔽结节以训练模型会导致更好的病变分类，我们建议构建一个具有分割和分类网络的级联架构。分割模型作为一个可训练的预处理模块，为原始CT数据提供分类引导的“注意力”权重图，以实现更好的诊断性能。我们评估了我们提出的模型，并与其他基线模型进行比较，用于4个具有临床意义的结节分类任务，由病理类型的组合定义，使用4个分类指标：准确性，平均F1评分，马修斯相关系数（MCC）和受试者工作特征曲线下面积（AUC）。实验结果表明，该方法优于其他基线模型的诊断分类任务。
Classifying ground-glass lung nodules (GGNs) into atypical adenomatous hyperplasia (AAH), adenocarcinoma in situ (AIS), minimally invasive adenocarcinoma (MIA), and invasive adenocarcinoma (IAC) on diagnostic CT images is important to evaluate the therapy options for lung cancer patients. In this paper, we propose a joint deep learning model where the segmentation can better facilitate the classification of pulmonary GGNs. Based on our observation that masking the nodule to train the model results in better lesion classification, we propose to build a cascade architecture with both segmentation and classification networks. The segmentation model works as a trainable preprocessing module to provide the classification-guided ‘attention’ weight map to the raw CT data to achieve better diagnosis performance. We evaluate our proposed model and compare with other baseline models for 4 clinically significant nodule classification tasks, defined by a combination of pathology types, using 4 classification metrics: Accuracy, Average F1 Score, Matthews Correlation Coefficient (MCC), and Area Under the Receiver Operating Characteristic Curve (AUC). Experimental results show that the proposed method outperforms other baseline models on all the diagnostic classification tasks.
登录
查看更多内容
DOI：
10.1097/pas.0b013e318190157c
发表时间：
2009-03
期刊：
The American journal of surgical pathology
影响因子：
--
作者：
Borczuk AC;Qian F;Kazeros A;Eleazar J;Assaad A;Sonett JR;Ginsburg M;Gorenstein L;Powell CA
通讯作者：
Powell CA
影响因子：
45.3
作者：
Travis, William D.;Brambilla, Elisabeth;Riely, Gregory J.
通讯作者：
Riely, Gregory J.
DOI：
10.1097/jto.0b013e318206a221
发表时间：
2011-02
期刊：
Journal of thoracic oncology : official publication of the International Association for the Study of Lung Cancer
影响因子：
--
作者：
Travis WD;Brambilla E;Noguchi M;Nicholson AG;Geisinger KR;Yatabe Y;Beer DG;Powell CA;Riely GJ;Van Schil PE;Garg K;Austin JH;Asamura H;Rusch VW;Hirsch FR;Scagliotti G;Mitsudomi T;Huber RM;Ishikawa Y;Jett J;Sanchez-Cespedes M;Sculier JP;Takahashi T;Tsuboi M;Vansteenkiste J;Wistuba I;Yang PC;Aberle D;Brambilla C;Flieder D;Franklin W;Gazdar A;Gould M;Hasleton P;Henderson D;Johnson B;Johnson D;Kerr K;Kuriyama K;Lee JS;Miller VA;Petersen I;Roggli V;Rosell R;Saijo N;Thunnissen E;Tsao M;Yankelewitz D
通讯作者：
Yankelewitz D
影响因子：
2.5
作者：
Fedorov, Andriy;Beichel, Reinhard;Kalpathy-Cramer, Jayashree;Finet, Julien;Fillion-Robin, Jean-Christophe;Pujol, Sonia;Bauer, Christian;Jennings, Dominique;Fennessy, Fiona;Sonka, Milan;Buatti, John;Aylward, Stephen;Miller, James V.;Pieper, Steve;Kikinis, Ron
通讯作者：
Kikinis, Ron
影响因子：
5
作者：
Li, Ming;Narayan, Vivek;Jayender, Jagadeesan
通讯作者：
Jayender, Jagadeesan