利用模态特定 U-Net 模型的弱定位增强训练改进胸片中结核一致表现的语义分割
计算机视觉与模式识别
2021-03-29 v3
摘要
深度学习（DL）在自然图像与医学图像的目标定位与识别中引起了巨大关注。U-Net 分割模型相比传统的基于手工特征的方法展现了优越性能。医学图像模态特定的 DL 模型比那些在素材摄影图像上预训练的模型更善于将领域知识迁移到相关目标任务。这有助于改进模型适配、泛化与类特定感兴趣区域（ROI）定位。在本研究中，我们训练胸片（CXR）模态特定的 U-Net 与其他最先进的 U-Net 模型，用于结核（TB）一致表现的语义分割。此类表现的自动分割可帮助放射科医生减少错误并辅助决策，同时改善患者护理与效率。我们的方法使用公开可用的 TBX11K CXR 数据集与弱 TB 标注（通常提供为边界框）来训练一组 U-Net 模型。接下来，我们通过用从一个被训练为将 CXR 分类为显示正常肺或疑似 TB 表现的 DL 分类器获得的弱定位（后处理为 ROI 掩码）增强训练数据来改进结果。测试数据分别取自 TBX11K CXR 训练分布以及其他跨机构集合，包括深圳 TB 与 Montgomery TB CXR 数据集。我们观察到我们的增强训练策略帮助 CXR 模态特定的 U-Net 模型在使用源自 TBX11K CXR 训练分布以及跨机构集合的测试数据时均取得了优越性能（p < 0.05）。
引用
@article{arxiv.2102.10607,
title = {Improved Semantic Segmentation of Tuberculosis-consistent findings in Chest X-rays Using Augmented Training of Modality-specific U-Net Models with Weak Localizations},
author = {Sivaramakrishnan Rajaraman and Les Folio and Jane Dimperio and Philip Alderson and Sameer Antani},
journal= {arXiv preprint arXiv:2102.10607},
year = {2021}
}
备注
31 pages, 19 figures, journal publication