光度变换网络与标签调整用于乳腺密度预测
计算机视觉与模式识别
2019-05-09 v1
摘要
乳腺密度分级对数码乳腺钼靶的归一化设置高度敏感，因为密度与像素强度分布紧密关联。此外，由于分级标准不确定，分级结果随阅片者而异。这些问题是数字乳腺摄影密度评估中的固有现象。当设计用于乳腺密度预测的计算机辅助预测模型时它们会带来问题，若数据来自多个站点则情况更糟。本文中，我们提出两种用于乳腺密度预测的深度学习新技术：1）自适应归一化输入钼靶图像的光度变换，以及 2）利用其输出预测调整标签的标签蒸馏。光度变换器网络动态预测光度变换的最优参数，并与主预测网络联合学习。标签蒸馏作为一种伪标签技术，旨在缓解分级差异。我们通过实验表明，所提方法在乳腺密度预测方面具有优势，相较多种已有方法取得了显著的性能提升。
引用
@article{arxiv.1905.02906,
title = {Photometric Transformer Networks and Label Adjustment for Breast Density Prediction},
author = {Jaehwan Lee and Donggeon Yoo and Jung Yin Huh and Hyo-Eun Kim},
journal= {arXiv preprint arXiv:1905.02906},
year = {2019}
}
备注
miccai 2019 submission