WAL-Net：用于颈动脉斑块分类的弱监督辅助任务学习网络
图像与视频处理
2024-01-30 v2 计算机视觉与模式识别
摘要
颈动脉超声图像的分类是诊断颈动脉斑块的关键手段，对预测中风风险具有重要的临床意义。最近的研究表明，利用斑块分割作为分类的辅助任务，可以通过利用分割与分类任务之间的相关性来提升性能。然而，这种方法依赖于获取大量难以获得的像素级分割标注。本文提出了一种新颖的弱监督辅助任务学习网络模型（WAL-Net），以探索颈动脉斑块分类与分割任务之间的相互依赖关系。斑块分类任务为主任务，而斑块分割任务作为辅助任务，提供有价值的信息以增强主任务的性能。辅助任务采用弱监督学习，以完全摆脱对分割标注的依赖。在包含1270张来自武汉大学中南医院的颈动脉斑块超声图像的数据集上进行了实验和评估。结果表明，与基线网络相比，所提出的方法在颈动脉斑块分类准确率上实现了约1.3%的提升。具体而言，混合回声斑块的分类准确率提高了约3.3%，证明了我们方法的有效性。
引用
@article{arxiv.2401.13998,
title = {WAL-Net: Weakly supervised auxiliary task learning network for carotid plaques classification},
author = {Haitao Gan and Lingchao Fu and Ran Zhou and Weiyan Gan and Furong Wang and Xiaoyan Wu and Zhi Yang and Zhongwei Huang},
journal= {arXiv preprint arXiv:2401.13998},
year = {2024}
}