用于 X 射线图像中胸部病变弱监督定位的深度多尺度卷积特征学习
计算机视觉与模式识别
2018-08-28 v1 机器学习
机器学习
摘要
由于尺寸和外观多变，胸部 X 射线图像中胸部病变的定位是一项具有挑战性的任务。我们提出一种利用类感知深度多尺度特征学习的弱监督新方法来定位胸部病变。我们的方法在利用病变的图像级标注训练分类模型时，利用深度网络不同阶段的 CNN 层中间特征图。在训练阶段，为每个病变类别学习一组层相关权重，并通过使用所学权重对浅层与深层特征图进行凸组合来优化 CNN 以执行病变分类。在测试阶段，为定位预测的病变，使用训练阶段学到的层相关权重对各阶段的类激活图进行凸组合，得到多尺度注意力图。我们使用 112000 张 X 射线图像验证了方法，并与最先进的定位方法比较。我们通过实验证明，所提出的弱监督方法可改善结节和肿块等小病变的定位性能，同时对心脏肥大等大病变给出相当的性能。
引用
@article{arxiv.1808.08280,
title = {Deep multiscale convolutional feature learning for weakly supervised localization of chest pathologies in X-ray images},
author = {Suman Sedai and Dwarikanath Mahapatra and Zongyuan Ge and Rajib Chakravorty and Rahil Garnavi},
journal= {arXiv preprint arXiv:1808.08280},
year = {2018}
}