理解伪影对自动化息肉检测的影响并通过无遗忘学习融入该知识
机器学习
2020-08-25 v3 图像与视频处理
机器学习
摘要
结直肠癌若在息肉早期被检出并能在发展为恶性肿瘤前切除，其生存率更高。以深度学习方法为主的自动化息肉检测旨在改善息肉的早期发现。然而，当前工作严重依赖训练数据集的规模与质量。这些数据集的质量常受各类图像伪影影响，后者降低了可见性从而影响了检测率。本文中，我们进行了系统分析以更好地理解伪影如何影响自动化息肉检测。我们考察了六类不同伪影及其在图像中的位置如何影响基于 RetinaNet 的息肉检测模型的性能。我们发现，依伪影类别不同，它们可能有益于或有害于息肉检测器。例如，气泡常被误分类为息肉，而息肉区域内的镜面反射可提升检测能力。随后我们研究了不同策略，例如无遗忘学习（learning without forgetting）框架，以利用伪影知识来改进自动化息肉检测。我们的结果表明，此类模型能缓解部分伪影的有害影响，但尚需更多工作以显著提升息肉检测能力。
引用
@article{arxiv.2002.02883,
title = {Understanding the effects of artifacts on automated polyp detection and incorporating that knowledge via learning without forgetting},
author = {Maxime Kayser and Roger D. Soberanis-Mukul and Anna-Maria Zvereva and Peter Klare and Nassir Navab and Shadi Albarqouni},
journal= {arXiv preprint arXiv:2002.02883},
year = {2020}
}