全面损伤检测的探索性培训:通过时间验证提高损伤采矿质量

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 计算机视觉 计算机视觉

背景情况:

• 全面病变检测 (ULD) 对于临床实践至关重要,它可以在多个器官中识别各种病变.
• 对于ULD的深度学习模型,需要高质量的注释数据,但由于成本,专业知识和损伤变化,在现实场景中通常是不完整的.
• 现有的伪标签方法使用小批量级损伤挖掘,但跨代挖掘损伤的不一致质量限制了性能.

研究的目的:

• 开发一种改进的方法来训练使用不完整注释的通用病变检测 (ULD) 模型.
• 通过提高开采病变的可靠性来解决当前伪标签技术的局限性.
• 引入一种新的基于探索性培训的ULD (ET-ULD) 方法,利用病变选择的时间一致性.

主要方法:

• 提出了一种基于探索性培训的ULD (ET-ULD) 方法,采用教师-学生检测模型架构.
• 教师模型挖掘可疑的病变,然后将这些病变与不完整的注释相结合,以训练学生模型.
• 实施了一个边界盒银行,在多个训练轮中记录损伤挖掘时间,使得基于随时间变化的一致外观进行可靠性评估.

主要成果:

• 与现有的最先进的方法相比,ET-ULD在两个不同的损伤图像数据集上表现出更高的性能.
• 该方法在DeepLesion数据集的平均精度 (AP) 中取得了显著的5.4%的改进.
• 实验结果通过一致的时间外观验证了通过评估矿山病变可靠性的有效性.

结论:

• 拟议的ET-ULD方法通过可靠地选择伪标签,在训练不完整的注释时有效地提高了ULD性能.
• 评估随着时间的推移的损伤可靠性是选择高质量的伪标签的关键标准,超越了动态迷你批量采矿.
• 在临床环境中,ET-ULD为开发基于深度学习的强大病变检测系统提供了一个有前途的解决方案.