面向医学图像中多解剖标志点检测的细粒度自适应损失学习
计算机视觉与模式识别
2021-05-20 v1 人工智能
机器学习
摘要
自动且准确地检测解剖标志点是医学图像分析中具有多种应用的基本操作。近期的深度学习方法通过直接用似然图(即热图)编码所捕获解剖结构的外观来改进结果。然而,当前大多数方案忽视了热图回归的另一个本质,即回归目标热图的目标度量,并依赖手工启发式方法设定目标精度,因而通常繁琐且任务特定。本文提出一种用于标志点检测的学习以学习(learn-to-learn)新框架,以同时优化神经网络与目标精度。本工作的关键在于利用强化学习(RL)框架在训练过程中动态搜索用于回归多个热图的目标度量,从而避免设定问题特定的目标精度。我们还引入一种早停策略以主动终止 RL 智能体的交互,在考虑探索-利用权衡下使各目标自适应最优精度。该方法在训练中表现出更好的稳定性,在推理中提升了定位精度。在两个不同的标志点定位应用上的大量实验结果:1)我们的内部产前超声(US)数据集,以及 2)公开可用的头影测量 X 射线标志点检测数据集,证明了我们所提方法的有效性。我们提出的框架具有通用性,并展现出提升解剖标志点检测效率的潜力。
引用
@article{arxiv.2105.09124,
title = {Learn Fine-grained Adaptive Loss for Multiple Anatomical Landmark Detection in Medical Images},
author = {Guang-Quan Zhou and Juzheng Miao and Xin Yang and Rui Li and En-Ze Huo and Wenlong Shi and Yuhao Huang and Jikuan Qian and Chaoyu Chen and Dong Ni},
journal= {arXiv preprint arXiv:2105.09124},
year = {2021}
}
备注
12 pages, 10 figures, accepted by IEEE Journal of Biomedical and Health Informatics