基于双一致性的半监督膝关节软骨缺陷评估自集成框架
图像与视频处理
2020-10-13 v2 计算机视觉与模式识别
摘要
膝骨关节炎（OA）是最常见的肌肉骨骼疾病之一，需要早期阶段诊断。如今，深度卷积神经网络在计算机辅助诊断领域已取得巨大成就。然而，深度学习模型的构建通常需要大量标注数据，而这通常成本高昂。本文提出一种用于膝关节软骨缺陷评估的新方法，包括严重程度分类与病灶定位。这可视为膝 OA 诊断的一个子任务。特别地，我们设计了一个自集成框架，其由结构相同的学生网络与教师网络组成。学生网络从标注数据与未标注数据中学习，教师网络在训练过程中对学生模型权重取平均。我们提出了一种新颖的注意力损失函数以获得准确的注意力掩码。通过病灶分类与定位中注意力的双一致性检查，两个网络可逐步优化注意力分布并提升彼此性能，而训练仅依赖部分标注数据并以半监督方式进行。实验表明，所提方法可显著提升自集成在膝关节软骨缺陷分类与定位中的性能，并大幅减少对标注数据的需求。
引用
@article{arxiv.2005.09212,
title = {A Self-ensembling Framework for Semi-supervised Knee Cartilage Defects Assessment with Dual-Consistency},
author = {Jiayu Huo and Liping Si and Xi Ouyang and Kai Xuan and Weiwu Yao and Zhong Xue and Qian Wang and Dinggang Shen and Lichi Zhang},
journal= {arXiv preprint arXiv:2005.09212},
year = {2020}
}
备注
accepted by International Workshop on PRedictive Intelligence In MEdicine, 2020