arXiv cs.AI· Sheethal Bhat, Bogdan Georgescu, Awais Mansoor, Florin C. Ghesu, Sasa Grbic, Andreas Maier·· 10 小时前AI 评分31
EM-DETR 通过示例驱动定位构建多领域医学病灶检测基础模型
Toward Foundation Detection Models via Example-Based Grounding in EM-DETR
AI 导读
研究团队基于示例驱动的 EM-DETR 框架提出多领域医学病灶检测基础模型，采用学生-教师训练策略融合标签空间异构的多个医学影像数据集，缓解灾难性遗忘。模型在 CXRs 四项关键发现上图像级 AUC 超过此前 SOTA 1 个百分点，在 CXRs 和乳腺摄影上取得领先的 mAP50，较单数据集训练的 EM-DETR 提升 2-3 个百分点。
正文 · AI 翻译
摘要：基于深度学习（DL）的计算机辅助诊断（CAD）系统在支持临床医生方面已展现出巨大潜力，但其性能在很大程度上依赖于大规模、标注良好的数据集的可用性。在医学病灶检测中，全面、标准化标注的稀缺以及现有数据集的异质性限制了稳健基础模型的发展。在本工作中，我们提出了一种新方法，通过整合针对解剖结构和异常进行标注的多样化医学图像数据集，构建用于病灶检测的多领域基础模型。我们首先提出一种学生-教师训练策略，以有效结合具有异构标签空间的数据集，缓解灾难性遗忘并改进特征学习。此外，在我们此前提出的基于示例的 EM-DETR 框架基础上，我们对其进行了调整，使其能够联合从多个领域特定数据集中学习，从而实现跨模态的细粒度、示例驱动的检测。我们的模型取得了最先进（SOTA）的结果，在 CXR 的四项关键发现上，图像级 AUC 分数超过此前 SOTA 1 个百分点。我们在 CXR 和乳腺摄影中取得了领先的 mAP50，超过在单一数据集上训练的 EM-DETR 2-3 个百分点。该方法为医学影像中可扩展的基础模型铺平了道路，这些模型能够利用异构数据，同时保持稳健且可泛化的性能。
| 主题： | 计算机视觉与模式识别（cs.CV）；人工智能（cs.AI） |
| 引用为： | arXiv:2611.14518 [cs.CV] |
| （或 arXiv:2611.14518v1 [cs.CV] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2611.14518 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Sheethal Bhat [查看电子邮件]
[v1]
2026年11月10日星期二 18:59:17 UTC（10,964 KB）
来源：arXiv cs.AI · arxiv.org