用于对侧信息增强的胸部疾病检测网络
图像与视频处理
2020-11-22 v1 计算机视觉与模式识别
机器学习
摘要
由于正常与异常区域间视觉对比度低，以及其它重叠组织造成的畸变，在胸X光中识别并定位疾病极具挑战。一个有趣的现象是，胸部左右两侧存在许多相似结构，如肋骨、肺野和支气管。根据广证放射科医生的经验，此类相似性可用于识别胸X光中的疾病。旨在提升现有检测方法的性能，我们提出一个深度端到端模块，以利用对侧上下文信息增强疾病候选框的特征表示。首先，在脊柱线的引导下，采用空间变换网络提取局部对侧块，其为疾病候选框提供有价值的上下文信息。随后，我们基于加法与减法运算构建特定模块，以融合疾病候选框与对侧块的特征。我们的方法可集成于全监督与弱监督疾病检测框架中。其在包含31,000张图像的精细标注私有胸X光数据集上取得了33.17 AP50。在NIH胸X光数据集上的实验表明，我们的方法在弱监督疾病定位中达到了最先进（state-of-the-art）性能。
引用
@article{arxiv.2010.04483,
title = {Contralaterally Enhanced Networks for Thoracic Disease Detection},
author = {Gangming Zhao and Chaowei Fang and Guanbin Li and Licheng Jiao and Yizhou Yu},
journal= {arXiv preprint arXiv:2010.04483},
year = {2020}
}
备注
submitted to TMI