像放射科医生一样诊断：用于胸部疾病分类的注意力引导卷积神经网络
计算机视觉与模式识别
2018-01-31 v1
摘要
本文考虑胸部 X 射线图像上的胸部疾病分类任务。现有方法通常将整幅图像作为网络学习的输入。这种策略在两方面的局限性：1) 胸部疾病通常发生在疾病特定的(小的)局部区域。使用整幅图像训练 CNN 可能会受到(过多的)不相关噪声区域的影响。2) 由于部分 CXR 图像对齐不佳，不规则边界的存在阻碍了网络性能。在本文中，我们通过提出一个三分支注意力引导卷积神经网络(AG-CNN)来解决上述问题。AG-CNN 1) 从疾病特定区域学习以避免噪声并改善对齐，2) 还集成一个全局分支以补偿局部分支丢失的判别线索。具体而言，我们首先使用全局图像学习一个全局 CNN 分支。然后，在全局分支生成的注意力热图引导下，我们推断一个掩码以从全局图像中裁剪出判别区域。该局部区域用于训练局部 CNN 分支。最后，我们将全局和局部分支的最后池化层拼接以微调融合分支。在 ChestX-ray14 数据集上进行了综合实验。我们首先报告了一个强劲的全局基线，以 ResNet-50 为骨干网络取得 0.841 的平均 AUC。在将局部线索与全局信息结合后，AG-CNN 将平均 AUC 提升至 0.868。当使用 DenseNet-121 时，平均 AUC 达到 0.871，这是该领域新的 state of the art。
引用
@article{arxiv.1801.09927,
title = {Diagnose like a Radiologist: Attention Guided Convolutional Neural Network for Thorax Disease Classification},
author = {Qingji Guan and Yaping Huang and Zhun Zhong and Zhedong Zheng and Liang Zheng and Yi Yang},
journal= {arXiv preprint arXiv:1801.09927},
year = {2018}
}