Retina U-Net：利用分割监督进行医学目标检测的极简方法
计算机视觉与模式识别
2021-06-01 v1
摘要
在医学图像中定位和分类目标的任务通常仍被表述为语义分割问题。然而，这种方法仅通过预测像素级分数间接解决粗粒度定位任务，在映射回目标级分数时需要特别的启发式方法。另一方面，最先进的目标检测器允许以端到端方式对单个目标进行评分，却讽刺地放弃了利用完整像素级监督信号的能力。这在医学图像分析场景中尤为不利，因为此类数据集通常极小。在本文中，我们提出 Retina U-Net，一种简单的架构，它自然地将 Retina Net 单阶段检测器与广泛用于医学图像语义分割的 U-Net 架构相融合。所提架构通过以语义分割形式的辅助任务补充目标检测，重新捕获被丢弃的监督信号，而无需引入先前提出的两阶段检测器的额外复杂性。我们在两个医学数据集上评估了完整分割监督的重要性，在一系列玩具实验上提供深入分析，并展示相应性能增益如何在小数据集极限下增长。Retina U-Net 仅由其更复杂的两阶段对应方法才达到的强劲检测性能。我们包含为在 2D 和 3D 图像上运行而实现的所有方法的框架可在 github.com/pfjaeger/medicaldetectiontoolkit 获取。
引用
@article{arxiv.1811.08661,
title = {Retina U-Net: Embarrassingly Simple Exploitation of Segmentation Supervision for Medical Object Detection},
author = {Paul F. Jaeger and Simon A. A. Kohl and Sebastian Bickelhaupt and Fabian Isensee and Tristan Anselm Kuder and Heinz-Peter Schlemmer and Klaus H. Maier-Hein},
journal= {arXiv preprint arXiv:1811.08661},
year = {2021}
}