胸部 X 光分类中目标级标注的概率集成
计算机视觉与模式识别
2022-10-14 v1
摘要
医学图像数据集及其标注的增长速度不如通用领域中的同类数据。这使得从最新、更数据密集的方法（已对视觉领域产生重大影响）进行迁移日益困难且效率更低。本文提出一种用于胸部 X 光图像疾病分类的新概率潜变量模型。具体而言，我们考虑包含全局疾病标签的胸部 X 光数据集，以及其中较小子集包含以眼动注视模式和疾病边界框形式给出的专家目标级标注。我们提出一种两阶段优化算法，能够通过单一训练流水线以两阶段方式处理这些不同粒度的标签。在我们的流水线中，全局数据集特征在模型的较低层学习；细粒度专家目标级标注中的具体细节与差异在模型最终层使用受条件变分推断启发的知识蒸馏方法学习。随后冻结模型权重以引导该学习过程并防止在较小富标注数据子集上过拟合。所提方法在常用基准数据集 Chest X-ray14 和 MIMIC-CXR 上跨不同骨干网络均带来一致的分类提升。这表明从粗到细粒度标签的两阶段学习，特别是利用目标级标注，是一种更优标注使用的有效方法。
引用
@article{arxiv.2210.06980,
title = {Probabilistic Integration of Object Level Annotations in Chest X-ray Classification},
author = {Tom van Sonsbeek and Xiantong Zhen and Dwarikanath Mahapatra and Marcel Worring},
journal= {arXiv preprint arXiv:2210.06980},
year = {2022}
}
备注
WACV 2023