面向缺失标注通用病灶检测的端到端框架
计算机视觉与模式识别
2023-03-28 v1
摘要
完全标注的大规模医学图像数据集极为宝贵。然而,由于医学图像标注繁琐且需专业知识,现有大规模数据集常有缺失标注问题。例如,带有各类病灶标签的大规模CT图像数据集DeepLesion,据报道缺失标注率达50%。直接在其上训练病灶检测器会受未标注病灶导致的假阴性监督影响。为此,以往工作采用复杂的多阶段策略在病灶挖掘与检测器训练间切换。本文提出一种新颖的端到端框架,在训练检测器的同时挖掘未标注病灶。我们的框架遵循师生范式。每次迭代中,教师模型推断输入数据并生成一组预测。高置信度预测与部分标注真值合并用于训练学生模型。在DeepLesion数据集上,使用原始部分标注训练集,我们的模型优于其他更复杂的方法,并以平均灵敏度2.3%、平均精度2.7%超越先前最佳方法,取得最先进的通用病灶检测结果。
引用
@article{arxiv.2303.15024,
title = {An End-to-End Framework For Universal Lesion Detection With Missing Annotations},
author = {Xiaoyu Bai and Yong Xia},
journal= {arXiv preprint arXiv:2303.15024},
year = {2023}
}