单次医学标志点检测
计算机视觉与模式识别
2021-03-09 v1
摘要
深度学习方法的成功依赖于大量带标注数据集的可获得性；然而，整理此类数据集十分繁重，尤其对于医学图像。为缓解标志点检测任务的此类负担，我们探索仅使用单张标注图像的可行性，并提出一种名为级联比较检测（CC2D）的新框架用于单次标志点检测。CC2D 包含两阶段：1）自监督学习（CC2D-SSL）与 2）伪标签训练（CC2D-TPL）。CC2D-SSL 通过比较级联特征表示以由粗到精的方式捕获一致的解剖信息，并在训练集上生成预测。CC2D-TPL 进一步利用这些预测训练新的标志点检测器以提升性能。CC2D 的有效性在广泛使用的头影标志点检测公开数据集上评估，其在 4.0mm 内达到 81.01% 的竞争性检测精度，可与使用远多于一张训练图像的当前最优全监督方法媲美。
引用
@article{arxiv.2103.04527,
title = {One-Shot Medical Landmark Detection},
author = {Qingsong Yao and Quan Quan and Li Xiao and S. Kevin Zhou},
journal= {arXiv preprint arXiv:2103.04527},
year = {2021}
}