Reg R-CNN：噪声标签下的病灶检测与分级
计算机视觉与模式识别
2019-08-27 v3
摘要
对于同时检测和分类物体的任务，医学影像界通常采用在自然图像上开发的方法。当前最先进的物体检测器由两阶段组成：第一阶段生成区域提议，第二阶段随后对其分类。然而，与自然图像不同，对于感兴趣的解剖结构（如肿瘤），图像中的表现（例如尺度或强度）关联到位于连续有序尺度上的恶性分级。分类模型通过将连续尺度离散化为无序的类别集合而丢弃了等级之间的这种有序关系，而回归模型使用距离度量训练，从而保留了该关系。在模糊数据集上存在标签混淆的环境下（这是医学图像的通常情况），这一优势变得愈发重要。为此，我们提出 Reg R-CNN，它将当前物体检测器的第二阶段分类模型替换为回归模型。我们在一个包含 1026 名患者的公共数据集和一系列玩具实验上展示了我们方法的优越性。代码将发布于 github.com/MIC-DKFZ/RegRCNN。
引用
@article{arxiv.1907.12915,
title = {Reg R-CNN: Lesion Detection and Grading under Noisy Labels},
author = {Gregor N. Ramien and Paul F. Jaeger and Simon A. A. Kohl and Klaus H. Maier-Hein},
journal= {arXiv preprint arXiv:1907.12915},
year = {2019}
}
备注
9 pages, 3 figures, 1 table