仅使用图像级标签从超声图像中检测胆囊癌
计算机视觉与模式识别
2023-09-12 v1
摘要
从超声（US）图像中自动检测胆囊癌（GBC）是一个重要问题，已引起研究人员的日益关注。然而，这些工作大多使用难以获取的信息，如边界框标注或额外的超声视频。本文关注仅使用图像级标签的 GBC 检测。此类标注通常基于患者的诊断报告获得，不需要医生额外的标注工作。然而，我们的分析表明，训练标准的图像分类模型用于 GBC 检测是困难的。这是由于类间方差小（恶性区域通常仅占超声图像的一小部分）、类内方差大（由于超声传感器捕获三维物体的二维切片导致较大的视角变化）以及训练数据可用性低。我们假定，即使仅拥有图像级标签，将问题表述为目标检测（输出边界框）仍有助于深度神经网络（DNN）模型聚焦于相关的感兴趣区域。由于训练中没有可用的边界框标注，我们将该问题视为弱监督目标检测（WSOD）。受近期 transformer 模型在目标检测中成功的启发，我们使用多示例学习（MIL）与自监督实例选择训练了此类模型 DETR，以适应 WSOD 任务。我们提出的方法在 AP 和检测灵敏度上优于基于 SOTA transformer 和 CNN 的 WSOD 方法。项目页面位于 https://gbc-iitd.github.io/wsod-gbc
引用
@article{arxiv.2309.05261,
title = {Gall Bladder Cancer Detection from US Images with Only Image Level Labels},
author = {Soumen Basu and Ashish Papanai and Mayank Gupta and Pankaj Gupta and Chetan Arora},
journal= {arXiv preprint arXiv:2309.05261},
year = {2023}
}
备注
Accepted at MICCAI 2023