小样本医学标志点检测中应标注哪些图像？
图像与视频处理
2024-04-30 v3 计算机视觉与模式识别
机器学习
摘要
深度学习方法的成功依赖于大规模高质量标注数据集的可用性。然而，对于医学图像而言，标注如此丰富的训练数据通常需要经验丰富的放射科医生，并消耗其有限的时间。小样本学习旨在减轻这一负担，其仅需少量标注数据即可达到有竞争力的性能。然而，小样本学习中一个关键但此前被忽视的问题是学习前用于标注的模板图像的选择，这会影响最终性能。我们在此针对小样本医学标志点检测，提出一种新颖的样本选择策略（SCP），以选择“最值得”标注的图像。SCP 由三部分组成：1）自监督训练，用于构建预训练深度模型以从放射图像中提取特征；2）关键点提议，用于定位信息丰富的图像块；3）代表性分数估计，用于搜索最具代表性的样本或模板。通过在三个广泛使用的公开数据集上进行多种实验，证明了 SCP 的优势。对于单样本医学标志点检测，其使用将头颅测量和手部 X 光数据集上的平均径向误差分别降低了 14.2%（从 3.595mm 降至 3.083mm）和 35.5%（从 4.114mm 降至 2.653mm）。
引用
@article{arxiv.2112.04386,
title = {Which images to label for few-shot medical landmark detection?},
author = {Quan Quan and Qingsong Yao and Jun Li and S. Kevin Zhou},
journal= {arXiv preprint arXiv:2112.04386},
year = {2024}
}