一种用于尿路内镜图像病变检测的迁移学习方法
图像与视频处理
2021-04-09 v1 计算机视觉与模式识别
摘要
输尿管镜与膀胱镜是识别和诊治尿路肿瘤的金标准方法。据报道，在正常操作中可能漏诊 10-20% 的病变。本工作中，我们研究实现 3 种不同的卷积神经网络（CNN），采用两步训练策略，对含病变与不含病变的尿路图像进行分类。共收集 6,101 张来自输尿管镜与膀胱镜操作的图像。这些 CNN 通过迁移学习以两步方式在 3 个数据集上训练与测试。所用数据集为：1）仅输尿管镜图像，2）仅膀胱镜图像，3）两者结合。对于膀胱镜数据，VGG 表现更优，获得受试者工作特征曲线下面积（AUC）值 0.846。在输尿管镜及两者结合情形下，ResNet50 取得最佳结果，AUC 值分别为 0.987 与 0.940。使用涵盖两个域的训练数据集总体表现更好，但进行第二阶段迁移学习也可取得相当结果。没有单一模型在所有场景中均表现更优，但 ResNet50 是在多数场景中表现最佳的网络。所得结果为进一步研究以改善泌尿系统内镜图像病变检测提供了机会。
引用
@article{arxiv.2104.03927,
title = {A transfer-learning approach for lesion detection in endoscopic images from the urinary tract},
author = {Jorge F. Lazo and Sara Moccia and Aldo Marzullo and Michele Catellani and Ottavio De Cobelli and Benoit Rosa and Michel de Mathelin and Elena De Momi},
journal= {arXiv preprint arXiv:2104.03927},
year = {2021}
}