面向部分监督胰腺导管腺癌预测的归纳注意力引导学习
计算机视觉与模式识别
2021-06-01 v1
摘要
胰腺导管腺癌（PDAC）是美国癌症死亡的第三大常见原因。利用深度学习从医学图像中预测诸如 PDAC 的肿瘤（包括分类与分割）正成为日益增长的趋势，但通常需要大量标注数据用于训练，这极为耗费人力且耗时。本文考虑一种部分监督设定：所有训练数据均提供廉价的图像级标注，而昂贵的逐体素标注仅对其中子集可用。我们提出归纳注意力引导网络（IAG-Net），联合学习用于正常/PDAC 分类的全局图像级分类器与用于半监督 PDAC 分割的局部体素级分类器。我们以多示例学习（MIL）分别实例化全局与局部分类器，其中指示 PDAC 区域大致位置的注意力引导是桥接二者的关键：对于基于全局 MIL 的正常/PDAC 分类，注意力在 MIL 池化时作为各示例（体素）的权重，消除了背景的干扰；对于基于局部 MIL 的半监督 PDAC 分割，该注意力引导是归纳式的，不仅为无逐体素标注的训练数据提供包级伪标签以进行 MIL 训练，还充当实例级分类器的代理。实验结果表明，我们的 IAG-Net 相比前沿方法将 PDAC 分割精度提升了逾 5%。
引用
@article{arxiv.2105.14773,
title = {Learning Inductive Attention Guidance for Partially Supervised Pancreatic Ductal Adenocarcinoma Prediction},
author = {Yan Wang and Peng Tang and Yuyin Zhou and Wei Shen and Elliot K. Fishman and Alan L. Yuille},
journal= {arXiv preprint arXiv:2105.14773},
year = {2021}
}