改进乳腺 X 线图像中的肿块检测：弱监督学习与类激活图方法研究
计算机视觉与模式识别
2023-08-08 v1
摘要
近年来，弱监督模型已辅助利用乳腺 X 线图像进行肿块检测，减少了对像素级标注的需求。然而，文献中多数现有模型依赖类激活图（CAM）作为激活方法，忽视了探索其他激活技术的潜在益处。本工作提出一项研究，探索并比较不同激活图与乳腺 X 线图像弱监督训练前沿方法的结合。具体而言，我们在 GMIC 模型框架下，针对乳腺 X 线图像肿块检测考察了 CAM、GradCAM、GradCAM++、XGradCAM 和 LayerCAM 方法。评估在 VinDr-Mammo 数据集上进行，采用准确率、真阳性率（TPR）、假阴性率（FNR）和每图假阳性数（FPPI）等指标。结果表明，在训练与测试阶段使用不同激活图策略可改进模型。借助该策略，我们改进了 GMIC 方法的结果，降低了 FPPI 值并提高了 TPR。
引用
@article{arxiv.2308.03486,
title = {Improving Mass Detection in Mammography Images: A Study of Weakly Supervised Learning and Class Activation Map Methods},
author = {Vicente Sampaio and Filipe R. Cordeiro},
journal= {arXiv preprint arXiv:2308.03486},
year = {2023}
}
备注
Accepted for publication at SIBGRAPI 20203