목차
0. Abstract
1) 완전히 3D 접근 방식을 사용하여 2D에서 손실될 수 있는 CT 정보 최대사용
2) 6개의 결절 특성을 다중 작업 학습(MTL) 프레임워크를 통해 결합
3) 방사선사들끼리 불일치하는 데이터를 sparse multi-task learning로 통합
4) CT data 이용
1 Introduction
1) 조기 진단이 폐암 사망률 줄이는 방법
2) CT가 결절 발견 및 risk stratication할때 사용됨
3) LIDC-IDRI 데이터에서 방사선 전문의의 해석에서 형태, 크기 등 특징들을 잘 사용하여 정교함 증가
4) 방사선사마다 위험함을 측정하기 위한 채점함수 제안
2 Related Work
3 Method
3.1 Problem Formulation
X = [x1; x2 : : : xn] 2 Rnd가 Rd의 n개 데이터 점의 피쳐를 구성하는 데이터 행렬
3.2 Network Architecture and Transfer Learning
Sports-1M dataset으로 학습된 모델을 이용하여 진행
네트워크는 5개의 Convolution, 5개의 max-pooling, 2개의 완전 연결 및 1개의 소프트-max 분류 계층으로 구성됩니다.
3.3 Multi-task learning
4 Experiments
4.1 Data
LIDC-IDRI 데이터 셋을 사용함
3명의 방사선사가 주석을 단 데이터만 사용함 → 1340개
방사선사가 랭킹 매긴거의 평균이 3인것은 제외 → 양성 결절 635개와 악성 결절 509개
4.2 Results
DATA의 HIGH 및 LOW의 center point 값을 기준으로 -1 +1 매김
반응형