机构名称：
¥ 2.0
在大型图像中自动查找多个病变是医学图像分析中的常见问题。如果在优化过程中，自动化方法无法访问有关病变位置的信息，也没有给出病变的单个示例，那么解决这个问题可能会很困难。我们提出了一种使用神经网络的新型弱监督检测方法，该方法计算出显示脑病变位置的注意力图。这些注意力图是使用仅使用全局图像级标签优化的分割网络的最后特征图计算出来的。所提出的方法可以在全输入分辨率下生成注意力图，而无需在预处理期间进行插值，这使得小病变可以出现在注意力图中。为了进行比较，我们修改了最先进的方法来计算弱监督物体检测的注意力图，方法是使用全局回归目标而不是更传统的分类目标。这个回归目标优化了目标物体在图像中出现的次数，例如扫描中的脑病变数量或图像中的数字数量。我们研究了所提出方法在基于 MNIST 的检测数据集中的行为，并评估了该方法在扩大的血管周围间隙（一种脑损伤）的具有挑战性的检测中的表现，该检测是在 2202 个 3D 扫描的数据集中进行的，这些扫描在四个大脑区域的所有损伤中心都有逐点注释。在基于 MNIST 的数据集中，所提出的方法优于其他方法。在大脑数据集中，弱监督检测方法在每个区域中都接近人类的评分者内一致性。所提出的方法在四个区域中的两个区域中达到了最佳曲线下面积，并且在所有区域中的假阳性检测数量最低，而其在所有区域的平均灵敏度与其他最佳方法相似。所提出的方法可以促进扩大的血管周围间隙的流行病学和临床研究，并有助于推动扩大的血管周围间隙的病因及其与脑血管疾病的关系的研究。
医学图像分析
主要关键词
相关文件推荐
