基于图卷积网络的域不变模型用于乳腺 X 线摄影分类
计算机视觉与模式识别
2022-04-22 v1
摘要
由于其安全关键属性，基于图像的诊断期望在分布外(OOD)样本上实现鲁棒性。实现该目标的一个自然途径是仅捕获临床疾病相关特征，其由病灶相关区域的宏观属性(如边缘、形状)与微观基于图像的特征(如纹理)组成。然而，此类疾病相关特征在学习过程中常与数据相关(但疾病无关)的偏置交织，导致 OOD 泛化失效。为解决此问题，我们提出一种新框架，即基于图卷积网络的域不变模型(DIM-GCN)，其仅从多域中利用不变的病害相关特征。具体而言，我们首先提出一个贝叶斯网络，其将潜变量显式分解为可证彼此解耦的疾病相关部分与其他疾病无关部分。在此指导下，我们基于变分自编码器重构目标函数，其中每域的编码器有两个分支：域无关与域相关分支，分别编码疾病相关与疾病无关特征。为更好捕捉宏观特征，我们利用观测到的临床属性作为重建目标，经由图卷积网络(GCN)。最后，我们仅使用疾病相关特征进行预测。我们的方法在乳腺 X 线摄影良/恶性诊断上优于其他方法的 OOD 泛化性能，证明了其有效性与实用性。
引用
@article{arxiv.2204.09954,
title = {Domain Invariant Model with Graph Convolutional Network for Mammogram Classification},
author = {Churan Wang and Jing Li and Xinwei Sun and Fandong Zhang and Yizhou Yu and Yizhou Wang},
journal= {arXiv preprint arXiv:2204.09954},
year = {2022}
}