Optimized Global Perturbation Attacks For Brain Tumour ROI Extraction From Binary Classification Models

要約

ディープラーニング技術は、コンピュータ支援診断システムに大きな恩恵を与えている。しかし、他の分野と異なり、医用画像処理では、3D腫瘍セグメンテーションのような大規模できめ細かいアノテーションデータセットの取得は、手動アノテーションの高いコストとプライバシー規制のために困難である。このため、弱いラベル付けされたデータを腫瘍のセグメンテーションに利用する弱教師付き手法に関心が持たれている。本研究では、2値クラスラベルを用いて関心領域を得るための弱教師付きアプローチを提案する。さらに、事前に学習した2値分類モデルに基づいて、生成モデルを学習するための新しい目的関数を提案する。最後に，本手法をMRIにおける脳腫瘍のセグメンテーション問題に適用する．

要約(オリジナル)

Deep learning techniques have greatly benefited computer-aided diagnostic systems. However, unlike other fields, in medical imaging, acquiring large fine-grained annotated datasets such as 3D tumour segmentation is challenging due to the high cost of manual annotation and privacy regulations. This has given interest to weakly-supervise methods to utilize the weakly labelled data for tumour segmentation. In this work, we propose a weakly supervised approach to obtain regions of interest using binary class labels. Furthermore, we propose a novel objective function to train the generator model based on a pretrained binary classification model. Finally, we apply our method to the brain tumour segmentation problem in MRI.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL