基于自适应非对称标签锐化的知识蒸馏用于胸部X光半监督骨折检测
计算机视觉与模式识别
2021-02-17 v2
摘要
利用可用的医疗记录通过半监督学习（SSL）设置训练高性能计算机辅助诊断（CAD）模型，正崭露头角以应对大规模医学图像标注中高昂的人工成本。尽管SSL受到了广泛关注，以往方法未能 1）考虑医疗记录中较低的疾病患病率，以及 2）利用医疗记录中指示的图像级诊断。这两个问题都是CAD模型SSL所特有的。在本工作中，我们提出一种新的知识蒸馏方法，有效利用从医疗记录中提取的大规模图像级标签，并辅以有限的专家标注区域级标签，来训练用于胸部X光（CXR）的肋骨和锁骨骨折CAD模型。我们的方法借助教师-学生模型范式，并提出了一种新颖的自适应非对称标签锐化（AALS）算法，以解决医学领域特有的标签不平衡问题。我们的方法在匿名医院创伤登记处9年间（2008-2016）的所有CXR（N = 65,845）上，针对最常见的肋骨和锁骨骨折进行了广泛评估。实验结果表明，我们的方法达到了最先进的骨折检测性能，即在肋骨骨折上受试者工作特征曲线下面积（AUROC）为0.9318，自由响应受试者工作特征（FROC）得分为0.8914，以AUROC差距1.63%和FROC提升3.74%显著优于以往方法。在锁骨骨折检测上也观察到一致的性能提升。
引用
@article{arxiv.2012.15359,
title = {Knowledge Distillation with Adaptive Asymmetric Label Sharpening for Semi-supervised Fracture Detection in Chest X-rays},
author = {Yirui Wang and Kang Zheng and Chi-Tung Chang and Xiao-Yun Zhou and Zhilin Zheng and Lingyun Huang and Jing Xiao and Le Lu and Chien-Hung Liao and Shun Miao},
journal= {arXiv preprint arXiv:2012.15359},
year = {2021}
}
备注
Accepted to IPMI 2021