基于注意力引导课程学习的胸片胸部疾病弱监督分类与定位
计算机视觉与模式识别
2018-07-20 v1
摘要
在本工作中，我们利用仅含图像级疾病标签及其中子集的疾病严重度级别（DSL）信息，从胸部X线片中联合进行胸部疾病的分类与弱监督定位任务。提出了一种基于卷积神经网络（CNN）的注意力引导课程学习（AGCL）框架，其利用了从放射学报告中挖掘的严重度级别属性。按难度顺序（由不同严重度级别分组）将图像输入CNN以逐步增强学习。此外，提取高置信度样本（由分类概率度量）及其对应的类条件热图（由CNN生成），并进一步输入AGCL框架，以在下一轮迭代中引导学习更具判别性的卷积特征。设计了一种双路径网络架构，除原始分类任务外，还对所选种子样本的热图进行回归。该联合学习方案可提升分类与定位性能，并为下一轮迭代提供更多种子样本。我们在公开可用的ChestXray14数据集上通过大量实验评估证明了该迭代精炼框架的有效性。与当前最优方法相比，AGCL在分类AUC上实现了超过5.7%（14种疾病平均值）的提升，在定位任务上Recall/Precision分别提升了7%/11%。
引用
@article{arxiv.1807.07532,
title = {Attention-Guided Curriculum Learning for Weakly Supervised Classification and Localization of Thoracic Diseases on Chest Radiographs},
author = {Yuxing Tang and Xiaosong Wang and Adam P. Harrison and Le Lu and Jing Xiao and Ronald M. Summers},
journal= {arXiv preprint arXiv:1807.07532},
year = {2018}
}
备注
9th International Conference on Machine Learning in Medical Imaging (MLMI 2018) In conjunction with MICCAI 2018