面向内镜疾病检测的类感知损失知识蒸馏
计算机视觉与模式识别
2022-07-21 v1 人工智能
摘要
胃肠道（GI）癌症的发病率逐年惊人增长，导致死亡率大幅上升。内镜检测提供关键诊断支持，然而上、下消化道中的微小病变极难检测并造成可观的漏检。本工作中，我们利用深度学习开发一种框架，以改善难检病变的定位并最小化漏检率。我们提出一种端到端师生学习设置，其中在较大数据集上单类训练的教师模型的类概率用于惩罚多类学生网络。我们的模型在内镜疾病检测（EDD2020）挑战赛和Kvasir-SEG数据集上均取得更高的平均精度均值（mAP）性能。此外，我们表明使用该学习范式，我们的模型可泛化至未见测试集，对临床关键的肿瘤性和息肉类别给出更高的AP。
引用
@article{arxiv.2207.09530,
title = {Knowledge distillation with a class-aware loss for endoscopic disease detection},
author = {Pedro E. Chavarrias-Solanon and Mansoor Ali-Teevno and Gilberto Ochoa-Ruiz and Sharib Ali},
journal= {arXiv preprint arXiv:2207.09530},
year = {2022}
}
备注
Paper accepted at the CaPTion workshop at MICCAI2022