Prediction of Multidrug-Resistant TB from CT Pulmonary Images Based on Deep Learning Techniques论文总结

Prediction of Multidrug-Resistant TB from CT Pulmonary Images Based on Deep Learning Techniques

 

解决的问题：

TB（肺结核）疾病可分为drug-sensitive （DS）和multidrug-resistant (MDR) ，为了发现病人TB所属于的类型，传统的方法是进行复杂的微生物培养菌实验，将持续几个月的时间。因此如何快速，准确的确定TB的所属类型有着重要的意义。

通过CT图像来进行临床分析诊断，以对病人的TB类型进行划分。

 

贡献：

1.应用 块采样的深度学习技术来进行TB的3D分类，方法新颖（patches instead of volume ）

2.所用方法成本低，速度快，并且有 一个很高的准确率 91.11%

 

 

方法：

 

分别对图像进行patch, 然后人工的筛选带有病灶或包含肺部信息的patch，作为其类别的label，来进行分类实验。

Inpput: 64*64灰度图, 首先通过6层网络，每一层的网络设置如图所示。

filter size： 3 × 3× 96, 3 × 3 × 256, 3 × 3 × 512,  2 × 2 × 384, 2 × 2 × 1024,  3 × 3 × 4096

在最后的输出阶段，采用交叉熵损失将得分解释为每个类别的对数概率（未归一化）， 之后采用支持向量机（SVM）进行类别划分或Softmax（后续分别做了相关实验），使用铰链损失来鼓励正确的类别得分比其他类别得分高。 每个样本的最终分数根据应用的阈值确定，所有补丁分数计算求和，得出其所属类别的分数。

 

 

实验：

230 trian(DS 134, MDR96) ; 214 test 

512*512 (55-263 slices)

a volume of 3D TB is downsampled from slices into patches.

 

 

 

 

（ Dense SIFT 算法，是一种对输入图像进行分块处理，再对每一块进行 SIFT 运算的特征提取 过程。SIFT 是一种检测局部特征的算法，通过求一幅图中的特征点及其有关scale 和 orientation 的描述子得到特征并进行图像特征点匹配，获得了良好效果）