BRAIxDet:基于不完整标注学习检测恶性乳腺病变
计算机视觉与模式识别
2024-04-03 v4 人工智能
机器学习
摘要
从筛查乳腺 X 线摄影中检测恶性病变的方法通常使用完全标注数据集训练,其中图像标注有癌性病变的定位与分类。然而,真实世界筛查乳腺 X 线摄影数据集通常有一个完全标注子集和另一个仅以全局分类(即无病变定位)弱标注的子集。鉴于此类数据集规模庞大,研究人员常面临弱标注子集的困境:不使用它,或完全标注它。第一种选项将降低检测精度,因其未使用整个数据集;第二种选项过于昂贵,因标注需由专家放射科医生完成。本文针对该困境提出折中方案,即将训练表述为我们称之为不完整标注下恶性乳腺病变检测的弱监督与半监督学习问题。为解决这个问题,我们的新方法包含两阶段:1)利用整个数据集的弱监督预训练多视图乳腺 X 线摄影分类器;2)将训练好的分类器扩展为在多视图检测器,使用半监督师生学习训练,其中训练集包含完全与弱标注的乳腺 X 线摄影图像。我们在两个含不完整标注的真实世界筛查乳腺 X 线摄影数据集上给出大量检测结果,并表明我们提出的方法在不完整标注恶性乳腺病变检测上取得了最先进结果。
引用
@article{arxiv.2301.13418,
title = {BRAIxDet: Learning to Detect Malignant Breast Lesion with Incomplete Annotations},
author = {Yuanhong Chen and Yuyuan Liu and Chong Wang and Michael Elliott and Chun Fung Kwok and Carlos Pena-Solorzano and Yu Tian and Fengbei Liu and Helen Frazer and Davis J. McCarthy and Gustavo Carneiro},
journal= {arXiv preprint arXiv:2301.13418},
year = {2024}
}
备注
Under Review