基于部分标注超声图像的弱监督乳腺癌病灶检测与诊断
图像与视频处理
2023-06-13 v1 计算机视觉与模式识别
机器学习
摘要
深度学习（DL）已被证明对基于超声的乳腺癌计算机辅助诊断（CAD）极为有效。在自动 CAD 系统中，病灶检测对后续诊断至关重要。然而，现有基于 DL 的方法通常需要大量手动标注的兴趣区域（ROI）标签与类别标签，以训练病灶检测与诊断模型。在临床实践中，ROI 标签（即真值）因超声医师个体经验未必对分类任务最优，导致粗标注问题，限制了 CAD 模型的诊断性能。为此，提出一种基于弱监督学习的新型两阶段检测与诊断网络（TSDDNet），以提升基于超声的乳腺癌 CAD 的诊断准确率。具体而言，第一阶段将所有 ROI 级标签视为粗标签，进而设计候选选择机制，为完全标注与部分标注样本筛选最优病灶区域。该机制在类别标签引导下，以弱监督方式细化完全标注图像中的当前 ROI 级标签及部分标注样本中的检测 ROI。第二阶段进一步提出自蒸馏策略，将检测网络与分类网络整合为统一框架作为最终 CAD 模型进行联合优化，从而进一步提升诊断性能。所提 TSDDNet 在 B 超数据集上评估，实验结果表明其在病灶检测与诊断任务上均取得最佳性能，展现出良好的应用潜力。
引用
@article{arxiv.2306.06982,
title = {Weakly Supervised Lesion Detection and Diagnosis for Breast Cancers with Partially Annotated Ultrasound Images},
author = {Jian Wang and Liang Qiao and Shichong Zhou and Jin Zhou and Jun Wang and Juncheng Li and Shihui Ying and Cai Chang and Jun Shi},
journal= {arXiv preprint arXiv:2306.06982},
year = {2023}
}