一种用于胸部疾病分类与异常识别的弱监督自适应 DenseNet
计算机视觉与模式识别
2018-11-07 v2
摘要
我们提出了一种弱监督深度学习模型，用于分类胸部疾病并识别胸部 X 光片中的异常。在这项工作中，我们的模型并非从带有区域级标注的医学影像数据中学习，而仅使用带有图像级标签的影像数据进行疾病分类训练，并能够同时识别异常图像区域。我们的模型由定制的池化结构与自适应 DenseNet 前端组成，可有效识别用于分类与定位任务的潜在疾病特征。我们的方法已在公开可用的 ChestX-ray14 数据集上得到验证。实验结果表明，我们的分类与定位预测性能在 ChestX-ray14 数据集上较先前模型有显著提升。总之，我们的网络能够产生准确的疾病分类与定位，有可能支持临床决策。
引用
@article{arxiv.1807.01257,
title = {A Weakly Supervised Adaptive DenseNet for Classifying Thoracic Diseases and Identifying Abnormalities},
author = {Bo Zhou and Yuemeng Li and Jiangcong Wang},
journal= {arXiv preprint arXiv:1807.01257},
year = {2018}
}
备注
10 pages, 6 figures; accepted by IEEE Winter Conference on Applications of Computer Vision (2019 WACV)