摘要

现有的通用病灶检测（ULD）方法采用了计算密集型的基于锚框的架构，这些架构依赖于预定义的锚框，导致在小病灶和中等大小病灶上的检测性能不尽如人意。此外，这些默认的固定锚框尺寸和比例在不同数据集上泛化能力较差。因此，我们提出了一种鲁棒的一阶段无锚框病灶检测网络，该网络通过利用预测框可以根据其中心点而非与目标物体的重叠程度进行相关性排序，从而在不同大小的病灶上表现出色。此外，我们还证明了通过提供领域特定的信息（以多强度图像的形式生成，使用多个HU窗口），并结合自注意力机制进行特征融合以及使用自监督学习从CT扫描中获得的权重初始化骨干网络，可以进一步提升ULD的性能。我们在DeepLesion数据集上获得了与现有最先进方法相当的结果，该数据集包含约32,000张带有各种器官病灶注释的CT扫描图像，总体灵敏度达到86.05%。