| Resumo: | Radiografias são exames primários para a avaliação das condições do tórax. Na prática clínica, vem se popularizando a utilização de abordagens de aprendizado profundo para apoiar radiologistas no processo de tomada de decisão visando aumentar a acurácia diagnóstica. Para dar suporte adequado aos radiologistas, é insuficiente um modelo que simplesmente infere um rótulo diagnóstico. Idealmente, o modelo deve fornecer mais informações para apoiar o resultado da classificação, como a localização espacial do achado radiológico. Para treinar adequadamente modelos de aprendizado profundo, geralmente é necessário utilizar muitos dados anotados. Há uma grande quantidade de imagens de radiografias de tórax disponíveis publicamente, anotadas de acordo com a presença de achados radiológicos, mas poucas contêm uma anotação com a localização desses achados. O objetivo deste trabalho é utilizar a quantia limitada de dados anotados e a vasta quantia de dados não anotados para melhorar o desempenho de métodos de localização automática de patologias em radiografias de tórax. Identificamos o estado-da-arte de métodos semi-supervisionados e avaliamos seu desempenho em um cenário de classificação. Em seguida, estendemos o melhor método, Mean Teacher, para realizar a tarefa de localização em um framework de aprendizado de múltiplas instâncias, introduzindo nosso método C-MIL.Nesse paradigma, existem dois tipos de rótulos: um rótulo geral que é conhecido, e um rótulo mais específico e desconhecido mas que é relacionado ao conhecido, no caso, a presença de patologia e sua localização. Os resultados mostram melhorias na aplicação de regularização de consistência em um cenário de localização por meio de aprendizado de múltiplas instâncias e demonstram que os métodos de aprendizado semi-supervisionado são promissores para o avanço do desempenho de métodos de localização automática de patologias em imagens médicas.
Radiographs are the primary examination for diagnosing chest conditions, and yet they are frequently misread/misdiagnosed due to human-observer confusion. In clinical practice, there is an increase of deep learning approaches to support radiologists on the decision-making process to improve diagnostic accuracy. To properly support radiologists, it is insufficient for the system to simply output a diagnosis label. Ideally, the model should provide more information to support the classification result, such as the spatial localization of the finding. To properly train deep learning models, we usually need lots of annotated data. There is a vast amount of publicly-available chest radiographs labeled according to their radiological findings (labels for classification), but very few contain a location annotation. Our goal is to extend the use of unlabeled data to improve pathology localization in chest radiographs in a scenario with limited labeled data. We identify state-of-the-art semi-supervised methods and evaluated their performance on a classification scenario. Next, we extend the best method, Mean Teacher, to perform localization within a multiple instance learning framework, introducing our method C-MIL. Multiple instance learning is a paradigm with two types of labels: a general label that is known, and a more specific and unknown label but related to the one known, in our case, pathology presence and its localization. Our results show improvements of applying consistency regularization over a multiple instance localization framework and demonstrate that semi-supervised learning methods are promising to advance the state-of-the-art performance of pathology localization methods. |
