基于半监督目标检测的OCT病灶定位
计算机视觉与模式识别
2022-04-26 v1 机器学习
摘要
全球超过3亿人受各类视网膜疾病影响。通过非侵入性的光学相干断层扫描（OCT）图像，可识别视网膜中若干异常结构变化，即视网膜病灶。因此OCT中病灶的自动定位对于早期检测视网膜疾病十分重要。为克服深度监督学习所需人工标注的匮乏，本文首次研究利用半监督目标检测（SSOD）进行OCT图像中的病灶定位。为此，我们构建了一个分类体系，为当前SSOD方法提供统一且结构化的视角，并据此识别这些方法中的关键模块。为评估这些模块在新任务中的影响，我们构建了OCT-SS，一个由超过1k张专家标注的OCT B-scan图像和超过13k张无标注B-scan组成的新数据集。在OCT-SS上的大量实验确定Unbiased Teacher（UnT）为当前用于病灶定位的最佳SSOD方法。此外，我们改进了这一强基线，使mAP从49.34提升至50.86。
引用
@article{arxiv.2204.11227,
title = {Lesion Localization in OCT by Semi-Supervised Object Detection},
author = {Yue Wu and Yang Zhou and Jianchun Zhao and Jingyuan Yang and Weihong Yu and Youxin Chen and Xirong Li},
journal= {arXiv preprint arXiv:2204.11227},
year = {2022}
}