胎儿超声图像的弱监督定位
计算机视觉与模式识别
2018-08-17 v1
摘要
本文解决在2D超声图像中检测并定位胎儿解剖区域的任务，训练时仅存在图像级标签，即无任何定位或分割信息。我们考察了卷积神经网络架构与软提议层的结合。所得网络同时执行解剖区域检测（分类）与定位任务。我们生成描述网络对特定类别注意力的提议图。网络在85,500张2D胎儿超声图像及其关联标签上训练。标签对应六个解剖区域：头、脊柱、胸、腹、肢体与胎盘。检测在单个区域上取得90%的平均准确率，并表明提议图与相关解剖结构吻合良好。本工作作为迈向后续任务（如胎儿位置与姿态估计、器官特异性分割或图像引导导航）的有力且关键的一步而呈现。代码与补充材料见https://ntoussaint.github.io/fetalnav
引用
@article{arxiv.1808.00793,
title = {Weakly Supervised Localisation for Fetal Ultrasound Images},
author = {Nicolas Toussaint and Bishesh Khanal and Matthew Sinclair and Alberto Gomez and Emily Skelton and Jacqueline Matthew and Julia A. Schnabel},
journal= {arXiv preprint arXiv:1808.00793},
year = {2018}
}
备注
4th Workshop on Deep Learning for Medical Image Analysis, MICCAI 2018, Granada, Spain