通过探索式训练解决通用病灶检测任务中的不完全标注问题
计算机视觉与模式识别
2023-09-26 v1
摘要
通用病灶检测旨在检测医学图像多个器官上的各类病灶，对临床实践具有重要价值。深度学习方法已展现出良好前景，但训练需要大量标注数据。然而，医学图像标注成本高且需专业知识。医学图像中目标形态与对比度的多样性使完全标注更具挑战性，导致不完全标注。直接在此类数据集上训练ULD检测器会产生次优结果。基于伪标签的方法通过检视训练数据并挖掘未标注目标用于重训练，已被证明可有效解决该问题。目前，性能最优的方法依赖于在mini-batch层级运行的动态标签挖掘机制。但模型在不同迭代下性能各异，导致挖掘标签质量不一致并限制其性能提升。受深度模型按递增复杂度学习概念的观察启发，我们引入一种创新探索式训练来随时间评估挖掘病灶的可靠性。具体而言，我们以师生检测模型为基础，将教师预测与不完全标注结合训练学生。此外，我们设计预测库记录高置信度预测。每个样本被训练多次，从而获得各样本的记录序列。若某预测持续出现于记录序列中，则可能为真实目标，否则可能仅为噪声。这作为筛选可靠挖掘病灶用于重训练的关键准则。实验结果证实，所提框架在两个医学图像数据集上超越SOTA方法，展现出优越性能。
引用
@article{arxiv.2309.13306,
title = {Tackling the Incomplete Annotation Issue in Universal Lesion Detection Task By Exploratory Training},
author = {Xiaoyu Bai and Benteng Ma and Changyang Li and Yong Xia},
journal= {arXiv preprint arXiv:2309.13306},
year = {2023}
}