基于深度双分支网络的医学影像弱监督与半监督检测
计算机视觉与模式识别
2020-10-14 v3
摘要
本研究提出了一种新颖的深度学习架构，用于医学影像中异常的多分类与定位，并通过在乳腺X线摄影图像上的实验加以说明。所提出的网络结合了两个学习分支。一个分支用于区域分类，并新增加了一个正常区域类。第二个分支是区域检测分支，用于对区域之间进行相对排序。我们的方法能够在全分辨率乳腺X线图像上实现弱监督与半监督设定下的异常检测。一种新颖的目标函数允许将局部标注纳入模型中。我们展示了上述方案对分类与定位多项性能指标的影响，以评估病灶标注工作的成本效益。我们的评估主要在一个包含约3000张具有不同表现的乳腺X线图像的大型多中心数据集上进行。弱监督学习的结果相比以往方法显示出显著提升。我们表明，监督学习中耗时的局部标注可通过一种弱监督方法来解决，该方法能够利用一部分局部标注数据。弱监督与半监督方法结合检测，可生成一个具有成本效益且可解释的模型，供该领域的放射科医生采用。
引用
@article{arxiv.1904.12589,
title = {Weakly and Semi Supervised Detection in Medical Imaging via Deep Dual Branch Net},
author = {Ran Bakalo and Jacob Goldberger and Rami Ben-Ari},
journal= {arXiv preprint arXiv:1904.12589},
year = {2020}
}