- 细粒度的监督
- 对Report进行解析，得到Anatomy和Observation的邻接矩阵，第i行第j列表示第i个解剖结构上是/否/不确定存在第j种异常，其中的正例和负例相当于同时给解剖结构和异常观察提供了0/1的标签
- 使用BCE Loss对Anatomy Network和Observation Network进行多标签分类的训练，训练其判断每个类别的anatomy/observation异常是否存在，并将Anatomy Network的feature map作为注意力图辅助Observation Network进行训练
- PU Learning
- Best Bin Estimation (BBE) 是一种用于估计未标记训练数据中正例占比的方法。
- BBE 基于一个假设，即未标记数据的正例和负例分别具有不同的概率分布，但是这些分布的某些区域是相互重叠的。因此，BBE 的目标是找到这些重叠区域的最佳二进制划分，从而最小化正例占比的估计误差。
- 我们重复步骤 ，直到分类器达到最佳验证性能