上肢 X 光片上的自教半监督异常检测
计算机视觉与模式识别
2021-02-23 v2
摘要
在放射科工作流中检测肌肉骨骼放射影像中的异常对于大规模筛查至关重要。有监督深度网络想当然地依赖放射科医生的大量标注，而获取这些标注往往极其耗时。此外，有监督系统局限于闭集场景，例如训练好的模型会对训练时见过的罕见异常过拟合。相反，我们方法的理念是利用任务无关的 pretext 任务，基于跨样本相似性度量来利用无标签数据。此外，我们在框架内对正常类数据构建了复杂分布，以避免在异常一侧产生潜在偏差。通过大量实验，我们表明在真实世界医学数据集 MURA 上，我们的方法在无监督与自监督异常检测设定下均优于基线。我们还提供了丰富的消融实验，以分析各训练阶段及损失项对最终性能的影响。
引用
@article{arxiv.2102.09895,
title = {Self-Taught Semi-Supervised Anomaly Detection on Upper Limb X-rays},
author = {Antoine Spahr and Behzad Bozorgtabar and Jean-Philippe Thiran},
journal= {arXiv preprint arXiv:2102.09895},
year = {2021}
}
备注
Accepted by ISBI 2021