用于改进骨科放射影像骨折分类的 CNN 注意力引导
计算机视觉与模式识别
2022-03-22 v1 机器学习
摘要
卷积神经网络（CNN）因解决骨折分类问题的能力，近年来在骨科影像中广受欢迎。对 CNN 的常见批评是其学习与推理过程不透明，难以信任机器诊断及此类算法在临床环境中的后续采用。当 CNN 以有限医学数据训练时尤为如此，而策划足够大量的标注医学影像数据是一个漫长且昂贵的过程，故此为常见问题。尽管已有研究致力于通过可视化网络注意力来解释 CNN 学到的知识，但利用可视化注意力改进网络学习却鲜有探讨。本文探索了以人工提供的注意力引导（即网络应在图像何处寻找回答线索）正则化 CNN 网络的有效性。在两个骨科放射影像骨折分类数据集上，我们通过大量实验证明，显式的人类引导注意力确实能引导正确的网络注意力，从而显著提升分类性能。所提注意力引导的开发代码已在 GitHub 公开。
引用
@article{arxiv.2203.10690,
title = {CNN Attention Guidance for Improved Orthopedics Radiographic Fracture Classification},
author = {Zhibin Liao and Kewen Liao and Haifeng Shen and Marouska F. van Boxel and Jasper Prijs and Ruurd L. Jaarsma and Job N. Doornberg and Anton van den Hengel and Johan W. Verjans},
journal= {arXiv preprint arXiv:2203.10690},
year = {2022}
}
备注
12 pages, Published in IEEE Journal of Biomedical and Health Informatics