从稀疏点标签学习以实现晚期卵巢癌评估中的密集癌变定位-计算机科学-外科人工智能-机器学习-稀疏标签学习.pdfVIP

从稀疏点标签学习以实现晚期卵巢癌评估中的密集癌

变定位

FarahdibaZarin,RiccardoOliva,VinkleSrivastav,Armine

Vardazaryan,AndreaRosati,AliceZampoliniFaustini,Giovanni

Scambia,AnnaFagotti,PietroMascagni,andNicolasPadoy

UniversityofStrasbourg,CNRS,INSERM,ICube,UMR7357,Strasbourg,France

fzarin@unistra.fr

FondazionePoliclinicoUniversitarioA.GemelliIRCCS,UniversitàCattolicadel

本SacroCuore,Rome,Italy

IRCAD,ResearchInstituteagainstDigestiveCancer,Strasbourg,France

译

中InstituteofImage-GuidedSurgery,IHUStrasbourg,Strasbourg,France

1

v

3

4

6

6摘要从稀疏标签中学习是医学领域常见的挑战。这归因于多种因素，如标

0

.注成本，并且对于新引入的任务尤其如此。当需要密集像素级标注时，这

7

0种情况变得更加不可行。然而，能够在像素级别仅通过少量标注进行学习，

5尽管极其困难且未充分利用，但可以在完美标注无法立即获得的研究中推

2动进展。本工作解决了从稀疏点标注中学习密集预测任务的关键点定位的

:

v挑战，在2d腹腔镜视频帧中的卵巢癌晚期患者诊断规划背景下进行关键

i

x点定位。为了实现这一目标，我们将问题公式化为每个图像从少量点注释

r

a的稀疏热图回归，并提出了一种新的损失函数，称为CragandTail损失，

以实现高效学习。我们提出的损失函数有效地利用了正的稀疏标签，同时

最小化了假阴性或遗漏标注的影响。通过广泛的消融研究，我们展示了我

们的方法在准确密集定位癌病关键点方面的有效性，强调了其在难以获得

密集标注场景中推进研究的潜力。

Keywords:外科人工智能·腹腔镜·卵巢癌·关键点定位·噪声标签·

稀疏标签

共同第一/末位作者身份

通信作者

该手稿已被接受发表，并将收录于MICCAI20