SSAD：基于全景口腔 X 光的牙科疾病诊断的自监督辅助检测框架
计算机视觉与模式识别
2024-06-21 v1
摘要
全景 X 光是临床实践中诊断牙科疾病的简单且有效工具。当开发深度学习模型辅助牙科医生解读全景 X 光时，其大多数性能受限于标注数据的不足，这需要牙科医生的专业知识和大量时间成本。虽然自监督学习 (SSL) 被提出以解决这一挑战，但预训练和微调的两阶段过程需要更长的训练时间和计算资源。在本文中，我们提出了自监督辅助检测 (SSAD) 框架，该框架具有即插即用且与任何检测器兼容的特点。它由重建分支和检测分支组成。这两个分支同时训练，共享相同的编码器，无需微调。重建分支学习恢复健康或疾病牙齿的纹理，而检测分支则利用这些学习到的特征进行诊断。为增强编码器捕捉细粒度特征的能力，我们采用 SAM 的图像编码器构建纹理一致性 (TC) 损失，从重建分支的输入和输出中提取图像嵌入，然后强制这些嵌入进入相同的特征空间。在公共 DENTEX 数据集上通过三个检测任务进行大量实验，表明提出的 SSAD 框架在主流目标检测方法和 SSL 方法的比较结果中实现了最先进的性能。代码已公开于 https://github.com/Dylonsword/SSAD
引用
@article{arxiv.2406.13963,
title = {SSAD: Self-supervised Auxiliary Detection Framework for Panoramic X-ray based Dental Disease Diagnosis},
author = {Zijian Cai and Xinquan Yang and Xuguang Li and Xiaoling Luo and Xuechen Li and Linlin Shen and He Meng and Yongqiang Deng},
journal= {arXiv preprint arXiv:2406.13963},
year = {2024}
}