19、医学图像分析：跨模态地标检测与多标签ILD检测算法

医学图像分析：跨模态地标检测与多标签ILD检测算法

1. 跨模态解剖地标检测

1.1 单模态与跨模态实验结果

在单模态实验中，除了 CT 情况外，使用有符号方向与无符号方向相比，并没有显著优势。跨模态地标检测的准确性稍落后于单模态检测，但结果仍足以辅助许多图像分析算法。

1.2 性能差异原因分析

• 强度对应关系 ：当一种模态中的细节在另一种模态中不可见时，会出现多对一的转换，例如 CT 中可见的骨骼在 MRI 中不可见。
• 采集区域和地标可见性 ：不同模态之间在采集区域和地标可见性方面存在实际差异，这改变了解剖学上下文的范围和训练示例的数量。

1.3 运行时间

在双核 2.4 GHz 机器上，MRI 数据的森林训练时间约为 4 小时，CT 数据（采集区域较大）约为 7 小时。每个数据集的检测时间约为 4 秒。

1.4 HUGO 特征优势

HUGO 特征对双射变换具有不变性，前提是假设（非常）局部线性。通过舍弃梯度符号，增强了对组织强度反转的鲁棒性；舍弃梯度幅度，增强了对非线性强度失真的鲁棒性。依靠空间区域上的方向聚合来区分结构细节和噪声。跨模态机器学习用于解剖地标检测，与单模态学习相比，准确性略有下降，但无需数据归一化、噪声阈值处理或偏置场校正步骤，在时间或数据稀缺的情况下，HUGO 特征是一种高效且实用的解决方案。

2. 多标签深度回归和无序池化用于整体间质性肺病模式检测

2.1 研究背景