基于 Faster R-CNN 的乳腺肿块检测：从含噪标注中学习之可行性研究
计算机视觉与模式识别
2021-04-27 v1 医学物理
摘要
在这项工作中，我们研究了噪声对医学领域目标检测网络训练的影响，以及如何通过改进训练流程来缓解该影响。为训练数据饥渴的深度学习模型而标注大型医学数据集成本高昂且耗时。利用临床实践中已收集的信息（如文本报告、书签或病灶测量值）将大幅降低此成本。然而，通过自动挖掘程序获取精确的病灶边界框十分困难。本文对边界框坐标噪声在乳腺肿块检测的 Faster R-CNN 目标检测网络性能上的影响进行了定量评估。通过对边界框进行随机修改来模拟不同程度的噪声：在我们的实验中，边界框可被放大至原始尺寸的最多六倍。该噪声被注入 CBIS-DDSM 集合——一个标注精确的公开乳腺 X 线摄影数据集，其准确病灶位置已知。我们展示了由于真值与网络边界框提议之间的不匹配，噪声在训练过程中被传播，并降低了网络从背景中正确分类病灶的能力。当使用标准交并比（Intersection over Union）准则时，FROC 曲线下面积下降多达 9%。我们提出了一种新颖的匹配准则以提高对噪声的容忍度。
引用
@article{arxiv.2104.12218,
title = {Breast Mass Detection with Faster R-CNN: On the Feasibility of Learning from Noisy Annotations},
author = {Sina Famouri and Lia Morra and Leonardo Mangia and Fabrizio Lamberti},
journal= {arXiv preprint arXiv:2104.12218},
year = {2021}
}