用于疾病检测的生成式残差注意力网络
图像与视频处理
2021-10-26 v1 计算机视觉与模式识别
机器学习
摘要
从放射学图像中准确识别和定位异常在计算机辅助诊断（CAD）系统中起着关键作用。构建高度可泛化的系统通常需要大量带有高质量标注的数据，包括疾病特定的全局与定位信息。然而，在医学图像中，由于标注成本，仅有有限数量的高质量图像和标注可用。本文中，我们通过提出一种使用条件生成对抗学习进行 X 射线疾病生成的新方法来探讨该问题。具体而言，给定来自源域的胸部 X 射线图像，我们生成目标域中对应的放射学图像，同时保留患者身份。然后我们将目标域中生成的 X 射线图像用于扩充训练以提升检测性能。我们还提出了一个同时执行疾病生成与定位的统一框架。我们在北美放射学会（RSNA）提供的 X 射线图像数据集上评估所提方法，超越了最先进的基线检测算法。
引用
@article{arxiv.2110.12984,
title = {Generative Residual Attention Network for Disease Detection},
author = {Euyoung Kim and Soochahn Lee and Kyoung Mu Lee},
journal= {arXiv preprint arXiv:2110.12984},
year = {2021}
}
备注
The paper is about Pneumonia detection using Generative Modeling. It proposes a novel approach to construct pseudo-pair images and a GAN to generate radio-realistic Chest Xray images. Then, the paper propose to leverage the differences between the input and the generated Xray images as an additional attention-map to boost the performance in Pneumonia detection