面向多序列数据半监督检测的异模态学习与扩展一致性约束
计算机视觉与模式识别
2021-03-25 v1
摘要
病灶检测在早期诊断中起着关键作用，近年来由于方法学进展和数据可用性提高而得到了充分探索。然而，标注的高成本阻碍了大规模完全标注数据集的收集，从而推动了半监督检测方法的发展。本文中，我们提出均值教师异模态检测(MTHD)，解决了当前半监督检测中的两个重要空白。首先，如何在不同检测器的差异很大的输出之间施加未标注一致性约束并不明确，这导致现有最优方法中使用了各种折衷方案。MTHD 采用无锚框框架，提出了一种无此类折衷的均值教师方法，在目标中心与尺寸的软输出上施加一致性。其次，多序列数据通常至关重要（例如腹部病灶检测），但未标注数据常缺失序列。为此，MTHD 在其框架中引入了异模态学习。与以往方法不同，MTHD 能够纳入一组扩展的一致性约束，包括几何变换与随机序列组合。我们在迄今为止最大的 MR 病灶数据集（1099 名患者，>5000 个体积）上训练并评估 MTHD。MTHD 在平均灵敏度上分别超越最佳全监督与半监督竞争对手 10.1% 和 3.5%。
引用
@article{arxiv.2103.12972,
title = {Hetero-Modal Learning and Expansive Consistency Constraints for Semi-Supervised Detection from Multi-Sequence Data},
author = {Bolin Lai and Yuhsuan Wu and Xiao-Yun Zhou and Peng Wang and Le Lu and Lingyun Huang and Mei Han and Jing Xiao and Heping Hu and Adam P. Harrison},
journal= {arXiv preprint arXiv:2103.12972},
year = {2021}
}
备注
13 pages