像放射科医生一样诊断：面向基于属性的医学图像诊断的混合神经-概率推理
计算机视觉与模式识别
2022-08-22 v1
摘要
在临床实践中，放射科医生常利用属性（如病灶的形态与外观特征）辅助疾病诊断。有效建模属性及所有涉及属性的关系，可提升医学图像诊断算法的泛化能力与可验证性。本文提出一种用于可验证的基于属性的医学图像诊断的混合神经-概率推理算法。该混合算法包含两条并行分支：一个贝叶斯网络分支执行概率因果关系推理，一个图卷积网络分支利用特征表示进行更通用的关系建模与推理。通过跨网络注意力机制及两者分类结果的融合，实现两分支的紧密耦合。我们已将该混合推理算法成功应用于两项具有挑战性的医学图像诊断任务。在用于CT图像中肺结节良恶性分类的LIDC-IDRI基准数据集上，我们的方法取得了95.36%的新最优准确率与96.54%的AUC。我们的方法在一个用于结核病诊断的院内胸片数据集上也实现了3.24%的准确率提升。消融实验表明，在训练数据极少的情况下，我们的混合算法比纯神经网络架构具有更好的泛化性能。
引用
@article{arxiv.2208.09282,
title = {Diagnose Like a Radiologist: Hybrid Neuro-Probabilistic Reasoning for Attribute-Based Medical Image Diagnosis},
author = {Gangming Zhao and Quanlong Feng and Chaoqi Chen and Zhen Zhou and Yizhou Yu},
journal= {arXiv preprint arXiv:2208.09282},
year = {2022}
}
备注
To appear in IEEE Transactions on Pattern Analysis and Machine Intelligence (TPAMI)