基于二维与三维回归神经网络的弱监督目标检测
计算机视觉与模式识别
2020-03-23 v4
摘要
在大幅图像中自动寻找多个病灶是医学图像分析中的常见问题。若在优化过程中自动化方法无法获取病灶位置信息，也未给定病灶的单个示例，解决该问题具挑战性。我们提出一种使用神经网络的弱监督检测新方法，计算揭示脑病灶位置的注意力图。这些注意力图使用仅以全局图像级标签优化的分割网络的最后特征图计算。所提方法可在全输入分辨率生成注意力图，无需预处理插值，使小病灶可出现在注意力图中。为比较，我们修改最先进方法以计算弱监督目标检测的注意力图，采用全局回归目标替代更常规的分类目标。该回归目标优化图像中目标对象出现次数，例如扫描中脑病灶数或图像中数字数。我们在基于MNIST的检测数据集研究该方法行为，并在2202个3D扫描的数据集中评估其用于扩大的血管周围间隙(一种脑病灶)这一挑战性检测，该数据集在所有病灶中心具四点脑区逐点标注。在脑数据集中，弱监督检测方法在各区域接近人类评分者内一致性。所提方法在四区域中两区达最佳曲线下面积，且所有区域假阳性检测数最低，而其全区域平均灵敏度与其他最佳方法相近。所提方法可促进扩大血管周围间隙的流行病学与临床研究。
引用
@article{arxiv.1906.01891,
title = {Weakly Supervised Object Detection with 2D and 3D Regression Neural Networks},
author = {Florian Dubost and Hieab Adams and Pinar Yilmaz and Gerda Bortsova and Gijs van Tulder and M. Arfan Ikram and Wiro Niessen and Meike Vernooij and Marleen de Bruijne},
journal= {arXiv preprint arXiv:1906.01891},
year = {2020}
}
备注
New formatting. A few changes in introduction, discussion and conclusion