超越人类准确率：利用课程学习从超声图像中检测胆囊癌
计算机视觉与模式识别
2022-04-26 v1
摘要
我们探索了基于CNN的模型从超声（USG）图像中检测胆囊癌（GBC）的潜力，此前尚无相关研究。由于其低成本和可及性，USG是胆囊疾病最常见的诊断方式。然而，由于传感器手持特性导致的低图像质量、噪声和视角变化，USG图像难以分析。我们对最先进（SOTA）图像分类技术在该问题上的详尽研究表明，由于USG图像中阴影的存在，它们常无法学习到显著的胆囊区域。SOTA目标检测技术也因噪声或邻近器官引起的伪纹理而准确率低下。我们提出GBCNet以应对本问题中的挑战。GBCNet首先通过检测胆囊（而非癌症）提取感兴趣区域（ROI），然后使用一种专用于GBC分类的新型多尺度二阶池化架构。为有效处理伪纹理，我们提出一种受人类视觉 acuity 启发的课程，以减少GBCNet中的纹理偏置。实验结果表明，GBCNet显著优于SOTA CNN模型及专家放射科医生。我们的技术创新也适用于其他USG图像分析任务。因此，作为验证，我们也展示了GBCNet在从USG图像检测乳腺癌中的有效性。包含源代码、训练模型和数据的项目页面位于https://gbc-iitd.github.io/gbcnet
引用
@article{arxiv.2204.11433,
title = {Surpassing the Human Accuracy: Detecting Gallbladder Cancer from USG Images with Curriculum Learning},
author = {Soumen Basu and Mayank Gupta and Pratyaksha Rana and Pankaj Gupta and Chetan Arora},
journal= {arXiv preprint arXiv:2204.11433},
year = {2022}
}
备注
Accepted in IEEE/CVF Computer Vision and Pattern Recognition (CVPR) 2022