Interpretable and Interactive Deep Multiple Instance Learning for Dental Caries Classification in Bitewing X-rays

要約

私たちは、深層マルチインスタンス学習に基づいたシンプルで効率的な画像分類アーキテクチャを提案し、それを歯科用 X 線写真での齲蝕検出という困難なタスクに適用します。
技術的には、私たちのアプローチは 2 つの方法で貢献します。1 つ目は、弱い画像レベルのラベルでトレーニングされているにもかかわらず、ローカル パッチ分類確率のヒートマップを出力します。
第 2 に、トレーニングをガイドするためにセグメンテーション ラベルから学習するのに適しています。
既存の方法とは対照的に、人間のユーザーは予測を忠実に解釈し、モデルと対話してどの領域に注目するかを決定できます。
実験は $\sim$38,000 のバイトウィング ($\sim$316,000 の歯) の大規模な臨床データセットで行われ、さまざまなベースラインと比較して優れたパフォーマンスを達成しました。
外部齲蝕セグメンテーション モデルに基づく場合、分類と位置特定のパフォーマンスの大幅な向上が観察されます。

要約(オリジナル)

We propose a simple and efficient image classification architecture based on deep multiple instance learning, and apply it to the challenging task of caries detection in dental radiographs. Technically, our approach contributes in two ways: First, it outputs a heatmap of local patch classification probabilities despite being trained with weak image-level labels. Second, it is amenable to learning from segmentation labels to guide training. In contrast to existing methods, the human user can faithfully interpret predictions and interact with the model to decide which regions to attend to. Experiments are conducted on a large clinical dataset of $\sim$38k bitewings ($\sim$316k teeth), where we achieve competitive performance compared to various baselines. When guided by an external caries segmentation model, a significant improvement in classification and localization performance is observed.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google