Anatomy-XNet：一种用于胸部 X 光中胸腔疾病分类的解剖感知卷积神经网络
图像与视频处理
2022-10-07 v3 计算机视觉与模式识别
机器学习
摘要
利用深度学习方法从胸部 X 光片检测胸腔疾病在过去十年中一直是活跃的研究领域。大多数先前的方法试图通过识别对模型预测有显著贡献的空间区域来关注图像的病变器官。相比之下，专家放射科医生首先确定显著的解剖结构，再判断这些区域是否异常。因此，在深度学习模型中整合解剖学知识可带来自动疾病分类的实质改进。受此启发，我们提出 Anatomy-XNet，一种解剖感知的基于注意力的胸腔疾病分类网络，它优先处理由预先识别的解剖区域引导的空间特征。我们采用半监督学习方法，利用可用的小规模器官级标注在大尺度且缺乏器官级标注的数据集中定位解剖区域。所提出的 Anatomy-XNet 使用预训练的 DenseNet-121 作为骨干网络，并在一个连贯框架中配以两个相应结构化模块——解剖感知注意力（A）和概率加权平均池化（PWAP），用于解剖注意力学习。我们通过实验表明，所提方法在三个公开可用的大尺度 CXR 数据集——NIH、Stanford CheXpert 和 MIMIC-CXR 上分别以 85.78%、92.07% 和 84.04% 的 AUC 分数刷新了最先进基准。这不仅证明了利用解剖分割知识改进胸腔疾病分类的有效性，也展示了所提框架的泛化能力。
引用
@article{arxiv.2106.05915,
title = {Anatomy-XNet: An Anatomy Aware Convolutional Neural Network for Thoracic Disease Classification in Chest X-rays},
author = {Uday Kamal and Mohammad Zunaed and Nusrat Binta Nizam and Taufiq Hasan},
journal= {arXiv preprint arXiv:2106.05915},
year = {2022}
}
备注
Accepted to IEEE JOURNAL OF BIOMEDICAL AND HEALTH INFORMATICS