深度监督的层选择性注意力网络：面向医学图像分类的标签高效学习
计算机视觉与模式识别
2022-10-04 v1
摘要
医学图像标注依赖专业知识，使得在短时间内获取大量高质量的标注医学图像十分困难。因此，在小数据集中充分利用有限的标注样本构建高性能模型是医学图像分类问题的关键。本文提出一种深度监督的层选择性注意力网络（LSANet），其在特征级与预测级监督中综合使用标签信息。对于特征级监督，为了更好地融合低级特征与高级特征，我们提出一种新颖的视觉注意力模块——层选择性注意力（LSA），以关注不同层的特征选择。LSA引入一种权重分配方案，可在整个训练过程中动态调整各辅助分支的加权因子，进一步增强深度监督学习并保证其泛化能力。对于预测级监督，我们采用知识协同策略，通过成对知识匹配促进所有监督分支间的层次信息交互。利用涵盖多种医学专科的生物医学图像分类大规模基准公开数据集MedMNIST，我们在多种主流CNN架构与各类视觉注意力模块上评估了LSANet。实验结果表明，所提方法相较对应基线有显著提升，证明LSANet可为医学图像分类领域的标签高效学习提供有前景的解决方案。
引用
@article{arxiv.2209.13844,
title = {Deeply Supervised Layer Selective Attention Network: Towards Label-Efficient Learning for Medical Image Classification},
author = {Peng Jiang and Juan Liu and Lang Wang and Zhihui Ynag and Hongyu Dong and Jing Feng},
journal= {arXiv preprint arXiv:2209.13844},
year = {2022}
}