ACAT：面向医学影像分类与检测的对抗反事实注意力
图像与视频处理
2023-08-15 v2 计算机视觉与模式识别
机器学习
摘要
在某些医学影像任务及其他仅图像小部分对分类任务具信息量的场景中，传统CNN有时难以泛化。人工标注的兴趣区域（Region of Interest, ROI）有时用于隔离图像中信息量最大的部分。然而，这些标注收集成本高昂且在不同标注者间可能存在显著差异。为克服这些问题，我们提出了一种利用显著图获得软空间注意力掩码以在不同尺度上调制图像特征的框架。我们将该方法称为对抗反事实注意力（Adversarial Counterfactual Attention, ACAT）。ACAT将脑CT扫描中病灶的基线分类准确率从71.39%提升至72.55%，将肺CT扫描中COVID-19相关发现的准确率从67.71%提升至70.84%，并超越竞争方法的性能。我们探究了生成架构中所用显著图的最佳方式，并提出从对抗生成的反事实图像中获取它们的方法。它们能够在不使用任何人工标注的情况下隔离脑和肺CT扫描中的感兴趣区域。在从6个可能区域中定位病灶位置的任务是，其在脑CT扫描上获得65.05%的分数，优于最佳竞争方法所得的61.29%。
引用
@article{arxiv.2303.15421,
title = {ACAT: Adversarial Counterfactual Attention for Classification and Detection in Medical Imaging},
author = {Alessandro Fontanella and Antreas Antoniou and Wenwen Li and Joanna Wardlaw and Grant Mair and Emanuele Trucco and Amos Storkey},
journal= {arXiv preprint arXiv:2303.15421},
year = {2023}
}
备注
International Conference on Machine Learning 2023. 17 pages, 7 figures