分类器解释通过端到端预训练增强医学图像分割
图像与视频处理
2024-01-17 v1 计算机视觉与模式识别
机器学习
摘要
医学图像分割旨在利用深度神经网络识别和定位医学图像（如胸片）中的异常结构。这些网络需要大量带有感兴趣区域精细掩码的标注图像，因此基于分类数据集的预训练策略对于样本效率至关重要。基于一个大规模医学图像分类数据集，我们的工作收集了训练良好的分类器的解释，以生成分割任务的伪标签。具体而言，我们以胸片为例，在 CheXpert 数据集上训练图像分类器以识别放射学中的 14 种病理观察。然后，我们使用积分梯度 (IG) 方法蒸馏并增强从分类器获得的解释，生成大量面向诊断的定位标签 (DoLL)。这些带有 DoLL 标注的图像用于在下游分割任务（包括 COVID-19 感染区域、肺、心脏和锁骨）微调之前对模型进行预训练。我们的方法优于其他基线，在各种分割设置下展示了模型性能和训练效率方面的显著优势。
引用
@article{arxiv.2401.08469,
title = {Explanations of Classifiers Enhance Medical Image Segmentation via End-to-end Pre-training},
author = {Jiamin Chen and Xuhong Li and Yanwu Xu and Mengnan Du and Haoyi Xiong},
journal= {arXiv preprint arXiv:2401.08469},
year = {2024}
}