在 CT 出血检测中使用多示例学习从体积标签提取二维弱标签
计算机视觉与模式识别
2019-11-14 v1
摘要
多示例学习（MIL）是一种监督学习方法，旨在使模型从包类标签中学习实例类标签，其中包被定义为包含多个实例。MIL 因从弱标签学习而渐受关注，但尚未广泛应用于三维医学影像。MIL 非常契合临床 CT 采集，因为（1）高度各向异性体素阻碍传统三维网络应用，（2）基于块的网络学习整体体积标签能力有限。本工作中，我们应用带深度卷积神经网络的 MIL 来识别临床 CT 头部图像体积是否含一个或多个大出血（> 20cm），从而得到无需二维切片标注的二维学习模型。各图像体积被视为独立包，每体积中切片为实例。该框架为纳入临床报告信息以辅助训练二维分割方法奠定基础。在此背景下，我们通过改变训练数据量评估 MIL 泛化所需数据条件。结果显示至少 400 例患者图像体积的训练规模方可实现准确逐切片出血检测。五折交叉验证中，使用最多训练体积数的领先模型平均真阳性率 98.10%、平均真阴性率 99.36%、平均精度 0.9698。模型与源代码已公开，以促进 MIL 在 CT 神经影像中的持续探索与适配。
引用
@article{arxiv.1911.05650,
title = {Extracting 2D weak labels from volume labels using multiple instance learning in CT hemorrhage detection},
author = {Samuel W. Remedios and Zihao Wu and Camilo Bermudez and Cailey I. Kerley and Snehashis Roy and Mayur B. Patel and John A. Butman and Bennett A. Landman and Dzung L. Pham},
journal= {arXiv preprint arXiv:1911.05650},
year = {2019}
}