基于深度全监督学习的胸部放射影像肋骨骨折检测
计算机视觉与模式识别
2024-01-23 v2
摘要
基于深度学习(DL)的肋骨骨折检测已显示出在降低死亡率和改善患者预后方面发挥重要作用的前景。通常，开发基于 DL 的目标检测模型需要大量边界框标注。然而，标注医学数据耗时且需要专业知识，使得获取大量细粒度标注极其不可行。这迫切需求开发标签高效的检测模型以减轻放射科医生的标注负担。为应对这一挑战，目标检测文献中出现了越来越多的弱监督和半监督方法，但仍缺乏一个利用各种形式的全标注、弱标注和未标注数据的统一框架。在本文中，我们提出一种新颖的全监督目标检测网络 ORF-Netv2，以尽可能利用可用的监督信号。具体而言，引入了多分支全监督检测头，每个分支以特定类型的监督进行训练。随后提出一种基于协同训练的动态标签分配策略，以实现对弱标注和未标注数据的灵活且鲁棒的学习。所提框架在胸部 CT 和 X 光上的三个肋骨骨折数据集上进行了广泛评估。通过利用所有形式的监督，ORF-Netv2 在三个数据集上分别达到 34.7、44.7 和 19.4 的 mAP，分别超越仅使用边界框标注的基线检测器 3.8、4.8 和 5.0 的 mAP 增益。此外，ORF-Netv2 在各种场景下持续优于其他有竞争力的标签高效方法，展示了一种用于标签高效骨折检测的前景框架。代码可在 https://github.com/zhizhongchai/ORF-Net 获取。
引用
@article{arxiv.2306.13301,
title = {Deep Omni-supervised Learning for Rib Fracture Detection from Chest Radiology Images},
author = {Zhizhong Chai and Luyang Luo and Huangjing Lin and Pheng-Ann Heng and Hao Chen},
journal= {arXiv preprint arXiv:2306.13301},
year = {2024}
}
备注
TMI 2024. Zhizhong Chai and Luyang Luo contributed equally. Code is available via: https://github.com/zhizhongchai/ORF-Net/tree/main