基于有限标注的胸部 X 光片定位
计算机视觉与模式识别
2021-12-14 v2
摘要
在图像中定位目标是医学影像中的常见任务。学习定位或检测目标通常需要收集带有边界框或类似标注的数据，这可能非常耗时且昂贵。因此，一种能够以少得多的标注完成此类学习的技术将极具价值。我们提出了这样一种有限标注下的定位技术，其中带有边界框的图像数量可以仅占整个数据集的一小部分（例如小于 1%）；所有其他图像仅具有整图标签而无边界框。我们针对该问题提出了一种新颖的损失函数；该损失是弱监督学习的一个良定义离散公式的连续松弛，且在数值上适定。此外，我们通过分别引入 CRF 层和抗混叠滤波器，提出了一种兼顾块依赖性和平移不变性的新架构。我们将该技术应用于胸部 X 光图像中胸部疾病的定位，并在 ChestX-ray14 数据集上展示了最先进的定位性能。
引用
@article{arxiv.1909.08842,
title = {Localization with Limited Annotation for Chest X-rays},
author = {Eyal Rozenberg and Daniel Freedman and Alex Bronstein},
journal= {arXiv preprint arXiv:1909.08842},
year = {2021}
}