LIDIA: Precise Liver Tumor Diagnosis on Multi-Phase Contrast-Enhanced CT via Iterative Fusion and Asymmetric Contrastive Learning

早期检测和精确诊断肝肿瘤是具有重要临床价值的任务，但由于肝肿瘤高度异质性和变异性的挑战，这些任务面临着重大的挑战。本文提出了一个名为LIDIA的精确肝肿瘤诊断网络，可应用于多相增强CT的真实世界场景。为了充分利用增强CT中所有可用的相位，LIDIA首先采用迭代融合模块来聚合可变数量的图像相位，从而捕捉不同相位的病变特征，以更好地诊断肿瘤。为了有效缓解肝肿瘤高度异质性问题，LIDIA采用了非对称对比学习来增强不同类别之间的可区分性。为了评估我们的方法，我们构建了一个大规模数据集，包括1,921名患者和8,138个病变。LIDIA在八种不同类型的病变中实现了93.6%的平均AUC，证明了其有效性。此外，LIDIA在外部828名患者的测试中也表现出强大的泛化能力，平均AUC为89.3%。

提高肝肿瘤检测和诊断的准确性和效率，解决肝肿瘤高度异质性的问题。

利用多相增强CT图像，采用迭代融合模块聚合不同相位的图像，提高肝肿瘤的诊断效果；采用不对称对比学习方法提高不同类别之间的可区分性。

构建了一个大规模的数据集，包含1,921名患者和8,138个病灶；在8种不同类型的病灶上，平均AUC达到了93.6%；在外部测试集上，平均AUC为89.3%；提出的方法具有较强的泛化性能。

最近的相关研究包括：1. 'Deep learning for liver tumor diagnosis in CT images using multi-level contextual information'；2. 'A deep learning framework for liver tumor diagnosis from CT images using adversarial learning and transfer learning'。