驯服检测Transformer用于医学目标检测
计算机视觉与模式识别
2023-06-28 v1
摘要
在医学图像中准确检测可疑区域是许多常规诊断流程中易错且耗时的过程。为在此困难任务中辅助临床医生，已有若干依赖含大量超参数的复杂方法的自动化方案被提出。在本研究中，我们探究DEtection TRansformer(DETR)模型用于体医学目标检测的可行性。与先前工作不同，这些模型直接预测一组对象，而无需依赖锚点设计或诸如非极大值抑制等手动启发式方法来检测对象。我们通过在三款模型(即DETR、Conditional DETR与DINO DETR)和四个数据集(CADA、RibFrac、KiTS19与LIDC)上开展大量实验表明，这些集合预测模型可达到与现有方法相当甚至更优的性能。在我们实验中表现最佳的DINO DETR在四个数据集中的三个上优于强大的基于锚点的单阶段检测器Retina U-Net，由此证明了这一点。
引用
@article{arxiv.2306.15472,
title = {Taming Detection Transformers for Medical Object Detection},
author = {Marc K. Ickler and Michael Baumgartner and Saikat Roy and Tassilo Wald and Klaus H. Maier-Hein},
journal= {arXiv preprint arXiv:2306.15472},
year = {2023}
}
备注
BVM 2023 Oral. Marc K. Ickler and Michael Baumgartner contributed equally