面向不平衡医学图像识别的病灶区域类注意力机制
计算机视觉与模式识别
2023-07-21 v2
摘要
自动化医学图像分类是智能诊断系统的关键组成部分。然而，大多数医学图像数据集包含大量常见疾病样本而仅有少量罕见疾病样本，导致严重的类不平衡。当前，如何从不平衡训练数据中有效学习是智能诊断中的一个开放问题。在本文中，我们提出了一个简单而有效的框架，称为病灶区域类注意力（CARE），通过将注意力嵌入到卷积神经网络（CNNs）的训练过程中来处理数据不平衡问题。所提出的注意力模块帮助 CNNs 关注罕见疾病的病灶区域，从而更有效地学习其特征。此外，该注意力模块仅在训练阶段工作且不改变原始网络的架构，因此可直接与任何现有 CNN 架构结合。CARE 框架需要边界框来表示罕见疾病的病灶区域。为减轻手动标注的需求，我们进一步利用传统显著性方法或预训练分割模型生成边界框，开发了 CARE 的变体。结果表明，具有自动边界框生成的 CARE 变体与带有手动边界框标注的原始 CARE 框架相当。在不平衡皮肤图像数据集和肺炎数据集上的一系列实验表明，我们的方法能有效帮助网络聚焦于罕见疾病的病灶区域，并显著改善罕见疾病的分类性能。
引用
@article{arxiv.2307.10036,
title = {Class Attention to Regions of Lesion for Imbalanced Medical Image Recognition},
author = {Jia-Xin Zhuang and Jiabin Cai and Jianguo Zhang and Wei-shi Zheng and Ruixuan Wang},
journal= {arXiv preprint arXiv:2307.10036},
year = {2023}
}
备注
Accepted by Neurocomputing on July 2023. 37 pages