GREN：用于 X 射线图像中弱监督疾病定位的图正则化嵌入网络
计算机视觉与模式识别
2022-08-08 v2 人工智能
摘要
利用少量精细标注在胸部 X 射线图像中定位疾病可节省大量人力。近期工作采用多示例学习（MIL）和类激活图（CAM）等创新性弱监督算法处理该任务，但这些方法常产生不准确或不完整的区域。原因之一是忽视了每张图像内解剖区域间关系以及跨图像关系中所隐藏的病理含义。在本文中，我们认为跨区域和跨图像关系作为上下文和补偿信息，对于获得更一致和完整的区域至关重要。为建模该关系，我们提出图正则化嵌入网络（GREN），其利用图像内和图像间信息在胸部 X 射线图像上定位疾病。GREN 使用预训练的 U-Net 分割肺叶，然后通过图像内图建模肺叶间的图像内关系以比较不同区域。同时，批次内图像间的关系由图像间图建模以比较多张图像。该过程模拟了放射科医生的训练和决策过程：比较多个区域和图像以进行诊断。为使神经网络的深度嵌入层保留结构信息（在定位任务中十分重要），我们使用哈希编码和汉明距离计算图，并将其作为正则化项以促进训练。借此，我们的方法在 NIH 胸部 X 射线数据集上取得了弱监督疾病定位的当前最优结果。我们的代码已在线公开（https://github.com/qibaolian/GREN）。
引用
@article{arxiv.2107.06442,
title = {GREN: Graph-Regularized Embedding Network for Weakly-Supervised Disease Localization in X-ray Images},
author = {Baolian Qi and Gangming Zhao and Xin Wei and Changde Du and Chengwei Pan and Yizhou Yu and Jinpeng Li},
journal= {arXiv preprint arXiv:2107.06442},
year = {2022}
}
备注
Accepted in IEEE Journal of Biomedical and Health Informatics (JBHI)