GP-Unet: 基于三维回归网络的弱标签病灶检测
计算机视觉与模式识别
2017-10-31 v2
摘要
我们提出了一种新颖的卷积神经网络，用于从弱标签中进行病灶检测。训练时每张图像仅需一个单一的全局标签——病灶计数。我们训练一个具有全卷积架构的回归网络，并结合全局池化层将三维输出聚合为一个表示病灶计数的标量。在未见过的图像上进行测试时，我们首先运行网络以估计病灶数量。然后我们移除全局池化层，以计算与输入图像尺寸相同的定位图。我们在 MRI 中基底神经节扩大的血管周围空间的检测任务上评估了所提出的网络。我们的方法实现了 62% 的灵敏度，平均每张图像有 1.5 个假阳性。与基于强度阈值、显著性和类图的其他四种方法相比，我们的方法灵敏度提高了 20%。
引用
@article{arxiv.1705.07999,
title = {GP-Unet: Lesion Detection from Weak Labels with a 3D Regression Network},
author = {Florian Dubost and Gerda Bortsova and Hieab Adams and Arfan Ikram and Wiro Niessen and Meike Vernooij and Marleen De Bruijne},
journal= {arXiv preprint arXiv:1705.07999},
year = {2017}
}
备注
Article published in MICCAI 2017. We corrected a few errors from the first version: padding, loss, typos and update of the DOI number