胸X光弱半监督异常定位基准
计算机视觉与模式识别
2022-09-07 v1
摘要
胸X光（CXR）中准确的异常定位有助于多种胸部疾病的临床诊断。然而，病变级标注只能由经验丰富的放射科医生完成，且繁琐耗时，因而难以获取。这种状况导致难以开发完全监督的CXR异常定位系统。为此，我们提出通过一种弱半监督策略（称为Point Beyond Class，PBC）训练CXR异常定位框架，其利用少量带病变级边界框的全标注CXR以及大量通过点弱标注的样本。这种点标注设定能以极小的标注成本提供用于异常定位的弱实例级信息。具体而言，我们PBC的核心思想是学习从点标注到边界框的鲁棒且准确的映射，以抵抗标注点的方差。为实现此目标，提出了一种称为多点一致性的正则化项，其驱动模型从同一异常内不同点标注生成一致的边界框。此外，还提出了一种称为对称一致性的自监督方法，以深度挖掘弱标注数据中有用于异常定位的信息。在RSNA与VinDr-CXR数据集上的实验结果证明了所提方法的有效性。当使用少于20%的框级标签进行训练时，与当前最先进方法（即Point DETR）相比，我们的PBC可实现约5的mAP提升。代码见 https://github.com/HaozheLiu-ST/Point-Beyond-Class。
引用
@article{arxiv.2209.01988,
title = {A Benchmark for Weakly Semi-Supervised Abnormality Localization in Chest X-Rays},
author = {Haoqin Ji and Haozhe Liu and Yuexiang Li and Jinheng Xie and Nanjun He and Yawen Huang and Dong Wei and Xinrong Chen and Linlin Shen and Yefeng Zheng},
journal= {arXiv preprint arXiv:2209.01988},
year = {2022}
}
备注
Accepted by MICCAI-2022