基于解剖驱动的胸部 X 光病理检测
计算机视觉与模式识别
2023-09-07 v1 机器学习
摘要
病理检测与勾画实现了对胸部 X 光等医学扫描的自动解读，同时提供高水平可解释性以支持放射科医生做出知情决策。然而，标注病理边界框是一项耗时任务，以至于用于此目的的大型公共数据集稀缺。当前方法因而使用弱监督目标检测从图像级标注中学习病理的（粗略）定位，但由于缺乏边界框监督，其性能受限。因此我们提出解剖驱动病理检测(ADPD)，其使用易于标注的解剖区域边界框作为病理的代理。我们研究了两种训练方法：使用解剖级病理标签的监督训练，以及使用图像级病理标签的多示例学习(MIL)。我们的结果表明，解剖级训练方法优于弱监督方法及在有限训练样本下的全监督检测，且我们的 MIL 方法与两种基线方法均具竞争力，从而展示了我们方法的潜力。
引用
@article{arxiv.2309.02578,
title = {Anatomy-Driven Pathology Detection on Chest X-rays},
author = {Philip Müller and Felix Meissen and Johannes Brandt and Georgios Kaissis and Daniel Rueckert},
journal= {arXiv preprint arXiv:2309.02578},
year = {2023}
}
备注
Accepted at MICCAI 2023