面向儿童肺炎检测的可解释对比基卷积神经网络与转换器
图像与视频处理
2024-10-22 v1 计算机视觉与模式识别
摘要
儿童肺炎仍是全球范围内的重大健康威胁，死亡风险高于任何其他传染性疾病。根据 UNICEF 统计，儿童肺炎是 5 岁以下儿童死亡的主要原因，需及时诊断。早期诊断通常依赖胸部 X 光片，但局限于未加工图像的辐射水平低以及数据不平衡问题。因此，本文提出一种新型的 EXplainable Contrastive-based Dilated Convolutional Network with Transformer (XCCNet) 用于儿童肺炎检测。XCCNet 融合了稀释卷积的空间能力和基于对比的转换器的全局洞察，以实现有效的特征细化。一个稳健的胸部 X 光片处理模块解决低强度 X 光片问题， adversaries-based 数据增强方法缓解数据集中胸部 X 光片的偏斜分布。此外，我们积极集成一种可解释性方法，通过特征可视化直接与定位肺炎或正常程度的注意力区域相吻合。广泛的性能评估表明，XCCNet 在四个公开数据集上的表现优于当前最先进的方法。
引用
@article{arxiv.2410.16143,
title = {An Explainable Contrastive-based Dilated Convolutional Network with Transformer for Pediatric Pneumonia Detection},
author = {Chandravardhan Singh Raghaw and Parth Shirish Bhore and Mohammad Zia Ur Rehman and Nagendra Kumar},
journal= {arXiv preprint arXiv:2410.16143},
year = {2024}
}