利用异质且部分标注的多数据集学习用于CT通用病灶检测
计算机视觉与模式识别
2021-01-05 v3
摘要
训练精确的深度学习模型需要带有高质量标注的大规模数据集。然而，由于标注成本，医学影像中的数据集往往要么标注不全，要么规模较小。例如，DeepLesion就是这样一种包含多种类型病灶的大规模CT图像数据集，但它也有许多未标注的病灶（漏标）。在部分标注的数据集上训练病灶检测器时，漏标会产生错误的负信号并降低性能。除DeepLesion外，还有若干单一类型的小数据集，如用于肺结节的LUNA和用于肝肿瘤的LiTS。这些数据集具有异质的标注范围，即不同数据集中标注了不同的病灶类型而忽略了其他类型。本文旨在开发一种通用病灶检测算法以检测多种病灶。我们解决了异质与部分标注的问题。首先，我们构建了一个简单而有效的病灶检测框架，称为Lesion ENSemble (LENS)。LENS能以多任务方式高效地从多个异质病灶数据集中学习，并通过候选框融合利用它们的协同作用。接下来，我们提出利用临床先验知识和跨数据集知识迁移来从部分标注数据集中挖掘漏标标注的策略。最后，我们在四个公开病灶数据集上训练我们的框架，并在DeepLesion中800个手动标注的子体数据上进行评估。与当前最先进方法相比，我们的方法在平均灵敏度指标上带来了49%的相对提升。我们已在 https://github.com/viggin/DeepLesion_manual_test_set 公开释放了DeepLesion的手动3D标注。
引用
@article{arxiv.2009.02577,
title = {Learning from Multiple Datasets with Heterogeneous and Partial Labels for Universal Lesion Detection in CT},
author = {Ke Yan and Jinzheng Cai and Youjing Zheng and Adam P. Harrison and Dakai Jin and Youbao Tang and Yuxing Tang and Lingyun Huang and Jing Xiao and Le Lu},
journal= {arXiv preprint arXiv:2009.02577},
year = {2021}
}
备注
IEEE Trans on Medical Imaging. Annotation and evaluation code in https://github.com/viggin/DeepLesion_manual_test_set