解剖引导的胸片弱监督异常定位
计算机视觉与模式识别
2022-06-28 v1 机器学习
摘要
在医学图像上创建大规模异常标注数据集是一项劳动密集且昂贵的任务。利用来自易得数据（如放射学报告）的弱监督可弥补异常检测方法大规模数据的缺失。然而，当前大多数方法仅使用图像级病理观察，未能利用报告中提及的相关解剖结构。此外，由于标注稀疏与语言歧义，自然语言处理（NLP）挖掘的弱标签含有噪声。我们提出解剖引导胸片网络（AGXNet）以解决弱标注的这些缺陷。我们的框架由两级级联网络组成，其一负责识别解剖异常，其二负责病理观察。框架中的关键组件为解剖引导注意力模块，其辅助下游观察网络聚焦于由解剖网络生成的相关解剖区域。我们使用正未标记（PU）学习以应对未提及并不必然意味着负标签这一事实。我们在 MIMIC-CXR 数据集上的定量与定性结果表明了 AGXNet 在疾病与解剖异常定位中的有效性。在 NIH Chest X-ray 数据集上的实验显示，所学特征表示具有可迁移性，并能在疾病分类中达到最先进（SOTA）性能以及具竞争力的疾病定位结果。我们的代码见 https://github.com/batmanlab/AGXNet
引用
@article{arxiv.2206.12704,
title = {Anatomy-Guided Weakly-Supervised Abnormality Localization in Chest X-rays},
author = {Ke Yu and Shantanu Ghosh and Zhexiong Liu and Christopher Deible and Kayhan Batmanghelich},
journal= {arXiv preprint arXiv:2206.12704},
year = {2022}
}
备注
Accepted by MICCAI 20222