UltraDet

UltraDet

提高乳腺超声病变检测准确率

UltraDet是一种新型乳腺超声病变检测方法,在保持0.90召回率的同时将假阳性率降低约50%。该项目为CVA-Net数据集提供高质量边界框标注,并已被MICCAI 2023会议录用。UltraDet利用前帧的负时间上下文信息,在保持实时性能的基础上显著提升检测准确度。这一创新方法为超声影像诊断提供了更精确的辅助工具。

UltraDet超声检测假阳性抑制实时推理视频目标检测Github开源项目

UltraDet

这是《挖掘负时间上下文以抑制实时超声病变检测中的假阳性》的官方实现。我们提供了一种实时乳腺超声检测解决方案,可以在0.90的召回率下减少约50%的假阳性。此外,我们还为CVA-Net乳腺超声视频数据集提供了高质量的边界框标注。我们的论文已被MICCAI 2023提前接收!

[Arxiv] [PDF] [代码]

<div align="center"> <img src="https://yellow-cdn.veclightyear.com/835a84d5/bc572c34-2d57-45b0-a486-e217bc0fc9fc.png" width="100%"/> </div>

论文摘要

在超声扫描过程中,实时病变检测可以帮助放射科医生进行准确的癌症诊断。然而,这项重要任务仍然具有挑战性且未得到充分研究。当应用于超声视频时,通用实时目标检测模型可能会错误地报告明显的假阳性(FPs),可能会误导初级放射科医生。一个关键问题是它们未能利用先前帧中的负症状,即负时间上下文(NTC)。为解决这个问题,我们提出在逆向光流的引导下从先前帧中提取上下文,包括NTC。通过聚合提取的上下文,我们赋予模型利用NTC抑制假阳性的能力。我们将由此产生的模型称为UltraDet。所提出的UltraDet相比之前的最先进方法展现出显著改进,并实现了实时推理速度。

实验结果

NTCA模块利用了对放射科医生至关重要但在之前工作中被忽视的RoI级NTC,从而以可靠和可解释的方式有效提高了检测性能。我们将NTCA模块插入到基本的实时检测器中,形成UltraDet。在CVA-BUS数据集上的实验表明,UltraDet在实时推理速度下显著优于之前的工作,在0.90的召回率下减少了约50%的假阳性。

<div align="center"> <img src="https://yellow-cdn.veclightyear.com/835a84d5/d1858d2f-bed8-4f19-b28e-6208a1f14aee.png" width="100%"/> </div> <center> <table> <caption>CVA-BUS上实时病变检测的定量结果。</caption> <thead> <tr> <th>模型</th> <th>类型</th> <th>Pr<sub>80</sub></th> <th>Pr<sub>90</sub></th> <th>FP<sub>80</sub></th> <th>FP<sub>90</sub></th> <th>AP<sub>50</sub></th> <th>R@16</th> <th>FPS</th> <th>模型权重</th> </tr> </thead> <tbody> <tr> <td colspan="10" style="text-align: center;">单阶段检测器</td> </tr> <tr> <td>YOLOX</td> <td>图像</td> <td>69.7<sub>3.7</sub></td> <td>43.4<sub>7.7</sub></td> <td>23.8<sub>4.8</sub></td> <td>87.6<sub>24.5</sub></td> <td>80.4<sub>1.6</sub></td> <td>97.5<sub>0.5</sub></td> <td><b>59.8</b></td> <td style="text-align: center;">-</td> </tr> <tr> <td>RetinaNet</td> <td>图像</td> <td>75.7<sub>2.5</sub></td> <td>57.2<sub>2.9</sub></td> <td>9.3<sub>2.0</sub></td> <td>32.8<sub>6.5</sub></td> <td>84.5<sub>1.0</sub></td> <td>95.1<sub>0.6</sub></td> <td>53.6</td> <td style="text-align: center;">-</td> </tr> <tr> <td>FCOS</td> <td>图像</td> <td>87.2<sub>2.2</sub></td> <td>72.2<sub>5.1</sub></td> <td>11.0<sub>2.4</sub></td> <td>23.0<sub>3.7</sub></td> <td>89.5<sub>1.4</sub></td> <td>98.8<sub>0.3</sub></td> <td>56.1</td> <td style="text-align: center;">-</td> </tr> <tr> <td>DeFCN</td> <td>图像</td> <td>81.5<sub>1.8</sub></td> <td>67.5<sub>2.3</sub></td> <td>21.1<sub>3.2</sub></td> <td>33.4<sub>4.3</sub></td> <td>86.4<sub>1.3</sub></td> <td><b>99.3</b><sub>0.3</sub></td> <td>51.2</td> <td style="text-align: center;">-</td> </tr> <tr> <td>Track-YOLO</td> <td>视频</td> <td>75.1<sub>2.7</sub></td> <td>47.0<sub>3.1</sub></td> <td>18.1<sub>1.9</sub></td> <td>74.2<sub>14.7</sub></td> <td>80.1<sub>1.0</sub></td> <td>94.7<sub>0.9</sub></td> <td>46.0</td> <td style="text-align: center;">-</td> </tr> <tr> <td colspan="10" style="text-align: center;">基于DETR的检测器</td> </tr> <tr> <td>DeformDETR</td> <td>图像</td> <td>90.1<sub>3.2</sub></td> <td>72.7<sub>10.6</sub></td> <td>5.6<sub>2.2</sub></td> <td>37.8<sub>20.9</sub></td> <td>90.5<sub>2.0</sub></td> <td>98.7<sub>0.3</sub></td> <td>33.8</td> <td style="text-align: center;">-</td> </tr> <tr> <td>TransVOD</td> <td>视频</td> <td>92.5<sub>2.2</sub></td> <td>77.5<sub>7.2</sub></td> <td>3.1<sub>1.3</sub></td> <td>23.7<sub>11.5</sub></td> <td>90.1<sub>1.8</sub></td> <td>98.4<sub>0.4</sub></td> <td>24.2</td> <td style="text-align: center;">-</td> </tr> <tr> <td>CVA-Net</td> <td>视频</td> <td>92.3<sub>2.6</sub></td> <td>80.2<sub>6.1</sub></td> <td>4.7<sub>2.6</sub></td> <td>19.6<sub>5.6</sub></td> <td><strong>91.6</strong><sub>1.9</sub></td> <td>98.6<sub>0.8</sub></td> <td>23.1</td> <td style="text-align: center;">-</td> </tr> <tr> <td>PTSEFormer</td> <td>视频</td> <td>93.3<sub>1.9</sub></td> <td>85.4<sub>6.0</sub></td> <td>2.8<sub>1.1</sub></td> <td>12.5<sub>9.8</sub></td> <td>91.5<sub>1.6</sub></td> <td>97.9<sub>1.2</sub></td> <td>9.1</td> <td style="text-align: center;">-</td> </tr> <tr> <td colspan="10" style="text-align: center;">基于FasterRCNN的检测器</td> </tr> <td>FasterRCNN</td> <td>图像</td> <td>91.3<sub>0.9</sub></td> <td>75.2<sub>3.6</sub></td> <td>6.9<sub>1.4</sub></td> <td>34.4<sub>6.7</sub></td> <td>88.0<sub>1.4</sub></td> <td>92.4<sub>1.0</sub></td> <td>49.2</td> <td style="text-align: center;">-</td> </tr> <tr> <td>RelationNet</td> <td>图像</td> <td>91.4<sub>1.3</sub></td> <td>79.2<sub>2.9</sub></td> <td>6.2<sub>2.0</sub></td> <td>24.4<sub>5.6</sub></td> <td>87.6<sub>1.7</sub></td> <td>92.4<sub>0.9</sub></td> <td>42.7</td> <td style="text-align: center;">-</td> </tr> <tr> <td>FGFA</td> <td>视频</td> <td>92.9<sub>1.5</sub></td> <td>82.2<sub>4.1</sub></td> <td>4.4<sub>1.6</sub></td> <td>13.3<sub>3.7</sub></td> <td>90.5<sub>1.1</sub></td> <td>93.6<sub>0.9</sub></td> <td>33.8</td> <td style="text-align: center;">-</td> </tr> <tr> <td>SELSA</td> <td>视频</td> <td>91.6<sub>1.7</sub></td> <td>80.2<sub>2.5</sub></td> <td>7.5<sub>1.5</sub></td> <td>23.3<sub>5.5</sub></td> <td>89.2<sub>1.1</sub></td> <td>92.6<sub>0.8</sub></td> <td>43.8</td> <td style="text-align: center;">-</td> </tr> <tr> <td>MEGA</td> <td>视频</td> <td>93.9<sub>1.5</sub></td> <td>86.9<sub>2.3</sub></td> <td>3.1<sub>1.7</sub></td> <td>11.7<sub>3.0</sub></td> <td>90.9<sub>1.0</sub></td> <td>93.6<sub>0.7</sub></td> <td>40.2</td> <td style="text-align: center;">-</td> </tr> <tr> <td>BasicDet (RDN)</td> <td>视频</td> <td>92.4<sub>1.0</sub></td> <td>83.6<sub>2.2</sub></td> <td>3.8<sub>1.2</sub></td> <td>13.4<sub>3.2</sub></td> <td>88.7<sub>1.4</sub></td> <td>92.7<sub>0.6</sub></td> <td>42.2</td> <td style="text-align: center;">-</td> </tr> <tr> <td>UltraDet (本文)</td> <td>视频</td> <td><strong>95.7<sub>1.2</sub></strong></td> <td><strong>90.8<sub>1.4</sub></strong></td> <td><strong>1.9<sub>0.4</sub></strong></td> <td><strong>5.7<sub>1.6</sub></strong></td> <td><strong>91.6<sub>1.6</sub></strong></td> <td>93.8<sub>1.3</sub></td> <td>30.4</td> <td style="text-align: center;"><a href="https://github.com/HaojunYu1998/UltraDet/releases/download/Publish/ultradet.pth">链接</a></td> </tr> </table> </center> ## 引用 UltraDet

如果您在研究中发现 UltraDet 有用,请引用我们的论文:

@article{yu2023mining, title={Mining Negative Temporal Contexts For False Positive Suppression In Real-Time Ultrasound Lesion Detection}, author={Yu, Haojun and Li, Youcheng and Wu, QuanLin and Zhao, Ziwei and Chen, Dengbo and Wang, Dong and Wang, Liwei}, journal={arXiv preprint arXiv:2305.18060}, year={2023} }

环境要求

整个项目基于 detectron2

安装

# 使用 python3.9 安装 anaconda3
conda create -n <env_name> python=3.9
conda activate <env_name>

# 使用清华源作为 pypi 源(可选)
python -m pip install --upgrade pip

# 安装软件包
conda install pytorch==1.10.1 torchvision==0.11.2 torchaudio==0.10.1 cudatoolkit=11.3 -c pytorch -c conda-forge
python -m pip install detectron2 -f https://dl.fbaipublicfiles.com/detectron2/wheels/cu113/torch1.10/index.html
pip install pandas
pip install path
pip install sqlmodel
pip install coloredlogs
pip install opencv-p
pip install mmcv
pip install prettytable
pip install fire
pip install scipy
pip install timm

# 安装 ultrasound_vid
git clone https://github.com/HaojunYu1998/UltraDet.git
cd UltraDet
pip install -e .

# 问题解决
# AttributeError: module 'distutils' has no attribute 'version'
pip uninstall setuptools
pip install setuptools==58.0.4

检查点

我们很高兴分享 UltraDet 推理所需的模型权重。您可以通过以下链接获取它们:

<center> <table> <thead> <tr> <th>权重</th> </tr> </thead> <tbody> <tr> <td><a href="https://github.com/HaojunYu1998/UltraDet/releases/download/Publish/flownet.ckpt">flownet.ckpt</a></td> </tr> <tr> <td><a href="https://github.com/HaojunYu1998/UltraDet/releases/download/Publish/r34.pkl">r34.pkl</a></td> </tr> <tr> <td><a href="https://github.com/HaojunYu1998/UltraDet/releases/download/Publish/ultradet.pth">ultradet.pth</a></td> </tr> </tbody> </table> </center>

下载权重后,请将它们存储在以下路径中:

UltraDet/
  pretrained_models/
    flownet.ckpt
    r34.pkl
    ultradet.pth

数据集准备

我们提供高质量的标注文件。您可以通过以下链接获取它们:

<center> <table> <thead> <tr> <th>Json 文件</th> </tr> </thead> <tbody> <tr> <td><a href="https://github.com/HaojunYu1998/UltraDet/releases/download/Publish/test.json">test.json</a></td> </tr> <tr> <td><a href="https://github.com/HaojunYu1998/UltraDet/releases/download/Publish/trainval.json">trainval.json</a></td> </tr> </tbody> </table> </center>

请从 CVA-Net 下载 PNG 图像,并按照 COCO 格式整理图像和标签。如果您遇到任何与数据相关的问题,请通过 haojunyu@pku.edu.cn 联系我们。

注意:CVA-Net 数据集的作者已经对良性/恶性分类标注进行了修正(请参见 CVA-Net)。要使用我们的高质量标注,请首先在 rawframes/ 中更正视频和图像位置。

UltraDet/
  datasets/
    bus_data_cva/
      rawframes/
        benign/
          2cda21c3aab26332/
            000000.png
            000001.png
            ...
          ...
        malignant/
          1dc9ca2f1748c2ec/
            000000.png
            000001.png
            ...
          ...
      test.json
      trainval.json

训练和推理

您可以通过运行以下代码来训练或推理 UltraDet:

# 训练 python train_net.py --num-gpus {GPU_NUM} \ --config-file {CONFIG_FILES} # 验证 python train_net.py --num-gpus {GPU_NUM} --eval-only --resume \ --config-file {CONFIG_FILES} # 测试 python train_net.py --num-gpus {GPU_NUM} --eval-only --resume \ --config-file {CONFIG_FILES} \ DATASETS.SPLIT "test" \ DATASETS.NUM_FOLDS 1 \ # MODEL.WEIGHTS 'pretrained_models/ultradet.pth' # 如果您希望加载我们发布的 UltraDet 预训练权重,请包含此行代码

编辑推荐精选

讯飞智文

讯飞智文

一键生成PPT和Word,让学习生活更轻松

讯飞智文是一个利用 AI 技术的项目,能够帮助用户生成 PPT 以及各类文档。无论是商业领域的市场分析报告、年度目标制定,还是学生群体的职业生涯规划、实习避坑指南,亦或是活动策划、旅游攻略等内容,它都能提供支持,帮助用户精准表达,轻松呈现各种信息。

AI办公办公工具AI工具讯飞智文AI在线生成PPTAI撰写助手多语种文档生成AI自动配图热门
讯飞星火

讯飞星火

深度推理能力全新升级,全面对标OpenAI o1

科大讯飞的星火大模型,支持语言理解、知识问答和文本创作等多功能,适用于多种文件和业务场景,提升办公和日常生活的效率。讯飞星火是一个提供丰富智能服务的平台,涵盖科技资讯、图像创作、写作辅助、编程解答、科研文献解读等功能,能为不同需求的用户提供便捷高效的帮助,助力用户轻松获取信息、解决问题,满足多样化使用场景。

热门AI开发模型训练AI工具讯飞星火大模型智能问答内容创作多语种支持智慧生活
Spark-TTS

Spark-TTS

一种基于大语言模型的高效单流解耦语音令牌文本到语音合成模型

Spark-TTS 是一个基于 PyTorch 的开源文本到语音合成项目,由多个知名机构联合参与。该项目提供了高效的 LLM(大语言模型)驱动的语音合成方案,支持语音克隆和语音创建功能,可通过命令行界面(CLI)和 Web UI 两种方式使用。用户可以根据需求调整语音的性别、音高、速度等参数,生成高质量的语音。该项目适用于多种场景,如有声读物制作、智能语音助手开发等。

Trae

Trae

字节跳动发布的AI编程神器IDE

Trae是一种自适应的集成开发环境(IDE),通过自动化和多元协作改变开发流程。利用Trae,团队能够更快速、精确地编写和部署代码,从而提高编程效率和项目交付速度。Trae具备上下文感知和代码自动完成功能,是提升开发效率的理想工具。

AI工具TraeAI IDE协作生产力转型热门
咔片PPT

咔片PPT

AI助力,做PPT更简单!

咔片是一款轻量化在线演示设计工具,借助 AI 技术,实现从内容生成到智能设计的一站式 PPT 制作服务。支持多种文档格式导入生成 PPT,提供海量模板、智能美化、素材替换等功能,适用于销售、教师、学生等各类人群,能高效制作出高品质 PPT,满足不同场景演示需求。

讯飞绘文

讯飞绘文

选题、配图、成文,一站式创作,让内容运营更高效

讯飞绘文,一个AI集成平台,支持写作、选题、配图、排版和发布。高效生成适用于各类媒体的定制内容,加速品牌传播,提升内容营销效果。

热门AI辅助写作AI工具讯飞绘文内容运营AI创作个性化文章多平台分发AI助手
材料星

材料星

专业的AI公文写作平台,公文写作神器

AI 材料星,专业的 AI 公文写作辅助平台,为体制内工作人员提供高效的公文写作解决方案。拥有海量公文文库、9 大核心 AI 功能,支持 30 + 文稿类型生成,助力快速完成领导讲话、工作总结、述职报告等材料,提升办公效率,是体制打工人的得力写作神器。

openai-agents-python

openai-agents-python

OpenAI Agents SDK,助力开发者便捷使用 OpenAI 相关功能。

openai-agents-python 是 OpenAI 推出的一款强大 Python SDK,它为开发者提供了与 OpenAI 模型交互的高效工具,支持工具调用、结果处理、追踪等功能,涵盖多种应用场景,如研究助手、财务研究等,能显著提升开发效率,让开发者更轻松地利用 OpenAI 的技术优势。

Hunyuan3D-2

Hunyuan3D-2

高分辨率纹理 3D 资产生成

Hunyuan3D-2 是腾讯开发的用于 3D 资产生成的强大工具,支持从文本描述、单张图片或多视角图片生成 3D 模型,具备快速形状生成能力,可生成带纹理的高质量 3D 模型,适用于多个领域,为 3D 创作提供了高效解决方案。

3FS

3FS

一个具备存储、管理和客户端操作等多种功能的分布式文件系统相关项目。

3FS 是一个功能强大的分布式文件系统项目,涵盖了存储引擎、元数据管理、客户端工具等多个模块。它支持多种文件操作,如创建文件和目录、设置布局等,同时具备高效的事件循环、节点选择和协程池管理等特性。适用于需要大规模数据存储和管理的场景,能够提高系统的性能和可靠性,是分布式存储领域的优质解决方案。

下拉加载更多