摘要

在阅读如计算机断层扫描（CT）等医学影像时，放射科医生通常会在图像中搜索病灶，对其进行特征描述和测量，然后在放射学报告中进行描述。为了自动化这一过程，我们提出了一种多任务通用病灶分析网络（MULAN），用于多种身体部位的病灶联合检测、标记和分割，这大大扩展了现有针对特定身体部位的单任务病灶分析工作。MULAN基于改进的Mask R-CNN框架，包含三个头部分支和一种三维特征融合策略。该网络在DeepLesion数据集上实现了病灶检测和标记任务的最先进精度，该数据集包含全身32000个病灶。我们还分析了这三个任务之间的关系，并展示了通过分数精炼层，标签预测可以提高检测精度。