面向标签不全疾病诊断的动态图关联学习
计算机视觉与模式识别
2020-03-02 v2
摘要
基于胸部 X 光图像的疾病诊断是一项具有挑战性的多标签分类任务。以往工作通常对输入图像上的疾病进行独立分类，未考虑疾病间的任何关联。然而此类关联实际存在，例如，当气胸出现时，胸腔积液更可能出现。本工作中，我们提出疾病诊断图卷积网络（DD-GCN），通过图结构中使用动态可学习邻接矩阵来探究不同疾病间的相互依赖关系，从而提升诊断准确率。为学习更自然可靠的关联关系，我们向每个节点输入对应于每类疾病的图像级个体特征图。据我们所知，我们的方法是首个在特征图上以动态邻接矩阵构建图进行关联学习的方法。为进一步应对标签不全的实际问题，DD-GCN 还利用自适应损失与课程学习策略在不全标签上训练模型。在两个流行的胸部 X 光（CXR）数据集上的实验结果表明，我们的预测准确率优于当前最优方法，且学习到的图邻接矩阵建立了不同疾病的关联表示，与专家经验一致。此外，我们进行了消融实验以证明 DD-GCN 中各组件的有效性。
引用
@article{arxiv.2002.11629,
title = {Dynamic Graph Correlation Learning for Disease Diagnosis with Incomplete Labels},
author = {Daizong Liu and Shuangjie Xu and Pan Zhou and Kun He and Wei Wei and Zichuan Xu},
journal= {arXiv preprint arXiv:2002.11629},
year = {2020}
}
备注
Because of the novel coronavirus (2019-nCoV) in Wuhan, China, we can not get the codes in the locked lab. Some authors do not agree to submit. We will re-submit it once we get our codes