基于双侧不对称引导的反事实生成网络用于乳腺X线摄影分类
计算机视觉与模式识别
2021-10-04 v1
摘要
由于缺少病灶标注，仅利用图像级标签进行乳腺X线摄影良恶性分类具有挑战性。受一侧乳房病灶很少出现在对侧相应区域的对称先验启发，给定一张患病图像，我们可以探究一个反事实问题：若图像中无病灶，其特征会如何表现，从而识别病灶区域。我们基于对称先验推导了反事实生成的新理论结果。通过构建蕴含该双侧图像先验的因果模型，我们得到了反事实生成的两个优化目标，并可通过我们新提出的反事实生成网络实现。我们提出的模型主要由生成对抗网络(Generator Adversarial Network)和一种\emph{预测反馈机制}组成，它们联合优化并相互促进。具体而言，前者可通过生成反事实特征来计算病灶区域，从而进一步提升分类性能；另一方面，后者借助分类损失的监督来帮助反事实生成。我们的方法的有效性以及模型中各模块的效用，可通过在INBreast和某内部数据集上取得的SOTA性能以及消融实验得到验证。
引用
@article{arxiv.2009.14406,
title = {Bilateral Asymmetry Guided Counterfactual Generating Network for Mammogram Classification},
author = {Chu-ran Wang and Jing Li and Fandong Zhang and Xinwei Sun and Hao Dong and Yizhou Yu and Yizhou Wang},
journal= {arXiv preprint arXiv:2009.14406},
year = {2021}
}