ORF-Net：基于深度全监督的胸部 CT 肋骨骨折检测
计算机视觉与模式识别
2022-07-06 v1
摘要
现有多数目标检测工作基于边界框标注：每个目标都有精确标注框。然而，对于肋骨骨折，边界框标注极为费力耗时，因为放射科医生需逐层排查并标注肋骨骨折。尽管少数研究提出了弱监督或半监督方法，它们无法同时处理不同形式的监督。本文提出一种新颖的全监督目标检测网络，可利用多种不同形式的标注数据以进一步提升检测性能。具体而言，所提网络包含一个全监督检测头，其中每种形式的标注数据对应一个独特的分类分支。此外，我们提出一种面向不同标注形式数据的动态标签分配策略，以促进各分支的更好学习。同时，我们还设计了置信度感知分类损失，以强调高置信度样本并进一步提升模型性能。在测试数据集上开展的广泛实验表明，我们所提方法一致优于其他最先进方法，证明了深度全监督学习在提升肋骨骨折检测性能上的有效性。
引用
@article{arxiv.2207.01842,
title = {ORF-Net: Deep Omni-supervised Rib Fracture Detection from Chest CT Scans},
author = {Zhizhong Chai and Huangjing Lin and Luyang Luo and Pheng-Ann Heng and Hao Chen},
journal= {arXiv preprint arXiv:2207.01842},
year = {2022}
}