用于医学图像分类的多示例多尺度 CNN
计算机视觉与模式识别
2019-10-23 v4
摘要
医学图像分类的深度学习面临三大挑战：1) 用于训练的标注医学图像数量通常较少；2) 感兴趣区域（ROIs）在整个医学图像中相对较小且边界不清，并可能出现在 x、y（以及 3D 图像中的 z）维度的任意位置。然而通常仅标注整幅图像的标签，局部 ROI 不可用；3) 医学图像中的 ROI 常以不同大小（尺度）出现。我们以多示例多尺度（MIMS）CNN 应对这三大挑战：1) 我们提出多尺度卷积层，以共享的一组卷积核提取不同感受野的模式，从而由这组紧凑核捕获尺度不变模式。由于该层仅含少量参数，在小数据集上训练成为可能；2) 我们提出“top-k 池化”以聚合来自多个空间维度的不同尺度特征图，使模型能在多示例学习（MIL）框架下使用弱标注训练。我们的方法在涉及两个 3D 和两个 2D 医学图像数据集的三项分类任务上表现良好。
引用
@article{arxiv.1907.02413,
title = {Multi-Instance Multi-Scale CNN for Medical Image Classification},
author = {Shaohua Li and Yong Liu and Xiuchao Sui and Cheng Chen and Gabriel Tjio and Daniel Shu Wei Ting and Rick Siow Mong Goh},
journal= {arXiv preprint arXiv:1907.02413},
year = {2019}
}
备注
Accepted by MICCAI 2019