BRAIxDet: Learning to Detect Malignant Breast Lesion with Incomplete Annotations

要約

マンモグラムのスクリーニングから悪性病変を検出する方法は、通常、完全に注釈が付けられたデータセットを使用してトレーニングされます。このデータセットでは、画像が癌病変の位置と分類でラベル付けされます。
ただし、実際のスクリーニング マンモグラム データセットには、一般に、完全に注釈が付けられたサブセットと、全体的な分類のみで弱く注釈が付けられた別のサブセット (つまり、病変の局在化なし) があります。
このようなデータセットのサイズが大きいことを考えると、研究者は通常、アノテーションの弱いサブセットを使用しないか、完全にアノテーションを付けるかというジレンマに直面します。
最初のオプションは、データセット全体を使用しないため、検出精度が低下します。2 番目のオプションは、専門の放射線科医が注釈を付ける必要があるため、費用がかかりすぎます。
このホワイト ペーパーでは、ジレンマに対する中立的な解決策を提案します。これは、不完全な注釈を使用した悪性乳房病変の検出と呼ばれる、弱い教師付きおよび半教師付きの学習問題としてトレーニングを定式化することです。
この問題に対処するために、私たちの新しい方法は 2 つの段階で構成されています。つまり、1) データセット全体から弱い監視を使用してマルチビュー マンモグラム分類器を事前トレーニングし、2) トレーニング済みの分類器を拡張して、トレーニング済みのマルチビュー検出器にします。
半教師ありの学生教師学習を使用し、トレーニング セットには完全なアノテーションと弱いアノテーションが付けられたマンモグラムが含まれます。
不完全な注釈を含む 2 つの現実世界のスクリーニング マンモグラム データセットに関する広範な検出結果を提供し、提案されたアプローチが不完全な注釈を含む悪性乳房病変の検出において最先端の結果を達成することを示します。

要約(オリジナル)

Methods to detect malignant lesions from screening mammograms are usually trained with fully annotated datasets, where images are labelled with the localisation and classification of cancerous lesions. However, real-world screening mammogram datasets commonly have a subset that is fully annotated and another subset that is weakly annotated with just the global classification (i.e., without lesion localisation). Given the large size of such datasets, researchers usually face a dilemma with the weakly annotated subset: to not use it or to fully annotate it. The first option will reduce detection accuracy because it does not use the whole dataset, and the second option is too expensive given that the annotation needs to be done by expert radiologists. In this paper, we propose a middle-ground solution for the dilemma, which is to formulate the training as a weakly- and semi-supervised learning problem that we refer to as malignant breast lesion detection with incomplete annotations. To address this problem, our new method comprises two stages, namely: 1) pre-training a multi-view mammogram classifier with weak supervision from the whole dataset, and 2) extending the trained classifier to become a multi-view detector that is trained with semi-supervised student-teacher learning, where the training set contains fully and weakly-annotated mammograms. We provide extensive detection results on two real-world screening mammogram datasets containing incomplete annotations, and show that our proposed approach achieves state-of-the-art results in the detection of malignant breast lesions with incomplete annotations.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google