用于腹部CT转移性结肠淋巴结诊断的半监督多域多任务训练
计算机视觉与模式识别
2019-10-24 v1
摘要
从腹部计算机断层扫描（CT）中诊断转移性淋巴结的存在是放射科医生为指导放疗和化疗而执行的一项关键任务。为此任务训练的最先进深度学习分类器通常依赖于包含 CT 体积及其相应图像级（即全局）标注的训练集。然而，由于本问题中相关感兴趣区域（ROI）尺寸较小，缺乏包含淋巴结的 ROI 定位标注会限制分类精度。在多任务训练过程中同时使用淋巴结 ROI 与全局标注有潜力提升分类精度，但为具有相同全局标注的样本获取 ROI 标注的高成本阻碍了该方案。我们通过引入一种基于两个数据集的新训练策略来解决此局限：一个包含全局标注，另一个（公开可用）仅包含淋巴结 ROI 定位。我们将这一新策略称为半监督多域多任务训练，其目标是通过引入来自不同域的 ROI 标注来提升全局标注数据集上的诊断精度。使用一个包含全局标注的私有数据集和一个包含淋巴结 ROI 定位的公开数据集，我们表明，相较于若干训练方法基线，我们提出的训练机制提升了分类任务的 ROC 曲线下面积。
引用
@article{arxiv.1910.10371,
title = {Semi-supervised Multi-domain Multi-task Training for Metastatic Colon Lymph Node Diagnosis From Abdominal CT},
author = {Saskia Glaser and Gabriel Maicas and Sergei Bedrikovetski and Tarik Sammour and Gustavo Carneiro},
journal= {arXiv preprint arXiv:1910.10371},
year = {2019}
}
备注
Under review at ISBI 2020