CodaMal：低成本显微镜下疟疾检测的对比域自适应
计算机视觉与模式识别
2024-10-15 v2 机器学习
摘要
疟疾是全球主要的健康问题，其诊断需要能够有效利用低成本显微镜 (LCM) 的可扩展解决方案。基于深度学习的方法在显微图像的计算机辅助诊断中已取得成功。然而，这些方法需要标注显示受疟原虫影响的细胞及其生命阶段的图像。与标注高成本显微镜 (HCM) 图像相比，标注 LCM 图像显著增加了医学专家的负担。因此，一种实用的解决方案是在 HCM 图像上训练，并应在测试期间能良好泛化到 LCM 图像。虽然早期方法采用了多阶段学习过程，但它们并未提供端到端的方法。在本工作中，我们提出了一种名为 CodaMal（疟疾对比域自适应）的端到端学习框架。为了弥合 HCM（训练）与 LCM（测试）之间的差距，我们提出了一种域自适应对比损失。它通过促进 HCM 及其对应 LCM 图像表示之间的相似性来减少域偏移，而无需增加额外的标注负担。此外，训练目标包含带有精心设计的增强的目标检测目标，以确保准确检测疟原虫。在公开的大规模 M5 数据集上，我们提出的方法在平均精度均值 (mAP) 指标上比最先进方法显著提高了 16%，推理速度提高了 21 倍，且所需可学习参数仅为先前方法的一半。我们的代码已公开：https://daveishan.github.io/codamal-webpage/。
引用
@article{arxiv.2402.10478,
title = {CodaMal: Contrastive Domain Adaptation for Malaria Detection in Low-Cost Microscopes},
author = {Ishan Rajendrakumar Dave and Tristan de Blegiers and Chen Chen and Mubarak Shah},
journal= {arXiv preprint arXiv:2402.10478},
year = {2024}
}
备注
ICIP 2024 (Oral Presentation). Project Page: https://daveishan.github.io/codamal-webpage/