Abstract
challenge：骨折是需要进行局部分析的局部模式。但医院通常没有指定感兴趣的区域。
a two-stage hip and pelvic fracture detection method that executes localized fracture classification using weakly supervised ROI mining
利用弱监督ROI挖掘进行局部骨折分类的两阶段髋、骨盆骨折检测方法
1st：大容量多实例全卷积网络⇒挖掘可能的真样本、确定难的负ROIs
2nd：小容量模型⇒局部分析挖掘出的ROIs，对骨折进行分类（第二阶段对第一阶段假阳性筛选）
During inference：连接两个阶段的输出，一次性检测出hip-pelvic骨折
4410图片、髋和骨盆一起检测
ImageNet预训练两阶段模型
比医生效果好(虽不如专家等)，他们是诊断病人的第一人
之前工作都只关注髋部骨折诊断，没有对更复杂的骨盆骨折(3骨盆骨折：髂骨、坐骨和耻骨)分类
我们是第一个处理自动PXR骨盆骨折分类的人，也是第一个证明髋部和人类医生对骨盆骨折的诊断能力的人。
【知识点补充】
弱监督学习Weakly Supervised Learning
弱监督学习(Weakly Supervised Learning)☆：在机器学习领域，学习任务可大致划分为两类，一种是监督学习，另一种是非监督学习。通常，两者都需要从包含大量训练样本的训练数据集中学习预测模型，每个训练样本对应于事件/对象。
尽管当前监督学习技术已经取得了巨大的成功，但是值得注意的是，由于数据标注过程的成本太高，很多任务很难获得如全部真值标签这样的强监督信息。而无监督学习由于学习过程太过困难，它的发展缓慢。因此，希望机器学习技术能够在弱监督状态下工作。南京大学周志华教授在2018年1月发表了一篇论文，叫做《A Brief Introduction to Weakly Supervised Learning》，对机器学习任务给出了一个新的趋势和思路。
弱监督学习可以分为三种典型的类型:
- 不完全监督Incomplete supervision是指，训练数据中只有一部分数据被给了标签，有一些数据是没有标签的。
- 不确切监督Inexact supervision是指，训练数据只给出了粗粒度标签。我们可以把输入想象成一个包，这个包里面有一些示例，我们只知道这个包的标签，Y或N，但是我们不知道每个示例的标签。
- 不精确监督Inaccurate supervision是指，给出的标签不总是正确的，比如本来应该是Y的标签被错误标记成了N。
- 我们将分别对待这些类型的弱监督学习，但值得一提的是，在实际操作中，它们经常同时发生。【具体解决思路在文中有举例说明】
为了解决不完全监督，我们可以考虑两种主要技术，主动学习Active learning和半监督学习Semi-supervised learning。一种是有人类干预的，一种是没有人类干预的。
为了解决不确切监督，我们可以考虑多示例学习Multi-instance learning。
为了解决不精确监督，我们考虑带噪学习Learning with label noise。
2019的CVPR，也有很多关于弱监督学习的进展。弱监督总结如下：
