基于弱监督与无监督对抗域自适应的供应商无关软组织病变检测
计算机视觉与模式识别
2018-08-16 v1
摘要
计算机辅助检测旨在通过帮助放射科医生评估数字乳腺摄影（DM）检查来改进乳腺癌筛查项目。DM 检查由不同供应商的设备生成，供应商之间甚至同一供应商内部都具有多样特性。这些设备的物理属性及图像后处理会极大影响所得乳腺摄影图像。这导致在一个供应商数据上训练的深度学习模型无法直接应用于另一供应商的数据。本文研究使用基于对抗学习的定制迁移学习方法来解决该问题。我们考虑由 Hologic 与 Siemens 供应商生成的 DM 检查数据库（多为双侧双视图）。我们分析两种迁移学习设定：1）无监督迁移，使用带像素级软病变标注的 Hologic 数据与无标注 Siemens 数据，为后者数据标注图像；2）弱监督迁移，其中 Siemens 乳腺摄影图像具有检查级标签。我们提出近期最先进迁移学习方法的定制变体，其考虑类不平衡并融入检查级标注所提供的知识。实验结果表明迁移学习在两种设定中均有裨益。值得注意的是，在每图 0.02 假阳性下，我们实现了 0.37 的灵敏度，而无迁移基线为 0.30。结果表明使用检查级标注可额外提升灵敏度。
引用
@article{arxiv.1808.04909,
title = {Vendor-independent soft tissue lesion detection using weakly supervised and unsupervised adversarial domain adaptation},
author = {Joris van Vugt and Elena Marchiori and Ritse Mann and Albert Gubern-Mérida and Nikita Moriakov and Jonas Teuwen},
journal= {arXiv preprint arXiv:1808.04909},
year = {2018}
}
备注
Submitted to SPIE MI 2019