Lesion2Vec：面向无线胶囊内镜视频中少样本多病灶识别的深度度量学习
计算机视觉与模式识别
2021-01-19 v2
摘要
对胃肠道病灶的有效且快速检测，对于胃肠病医生应对某些危及生命的疾病至关重要。无线胶囊内镜（WCE）通过让胃肠病医生无创地观察整个胃肠道，革新了传统内镜检查流程。一旦吞下微小胶囊，它便以约每秒2至6帧（fps）的速度连续采集胃肠道图像。单段视频可长达8小时，产生30,000至100,000张图像。自动检测WCE视频中含特定病灶的帧，将免除胃肠病医生在诊断前审阅整段视频的繁重任务。尽管WCE产生大量图像，但仅约5%的帧包含有助于诊断过程的病灶。基于卷积神经网络（CNN）的模型已在各类图像分类任务中非常成功。然而，它们存在参数过多、样本效率低且依赖极大量训练数据的问题。部署CNN分类器用于病灶检测任务，将需要不时微调以泛化到任何未预见类别。本文中，我们提出一种基于度量的学习框架，随后在WCE数据中进行少样本病灶识别。基于度量的学习是一种元学习框架，旨在建立概念间的相似或不相似关系，而少样本学习（FSL）旨在仅从少量样本中识别新概念。我们训练一个特征提取器，利用基于度量的学习为不同小肠病灶学习表征。在测试阶段，未见样本的类别仅由少量支持样本预测，从而使模型泛化到此前从未见过的新类别。我们在真实患者胶囊内镜数据上证明了该方法的有效性。
引用
@article{arxiv.2101.04240,
title = {Lesion2Vec: Deep Metric Learning for Few-Shot Multiple Lesions Recognition in Wireless Capsule Endoscopy Video},
author = {Sodiq Adewole and Philip Fernandez and Michelle Yeghyayan and James Jablonski and Andrew Copland and Michael Porter and Sana Syed and Donald Brown},
journal= {arXiv preprint arXiv:2101.04240},
year = {2021}
}