用于医学图像的高分辨率弱监督定位架构
计算机视觉与模式识别
2020-10-23 v1
摘要
在医学影像中，类激活图（CAM）通过指向感兴趣区域而作为主要的可解释性工具。由于CAM的定位精度受限于模型特征图的分辨率，人们可能预期通常具有大特征图的分割模型会产生更精确的CAM。然而，我们发现由于任务不匹配，事实并非如此。分割模型是为具有像素级标注的数据集开发的，而大多数医学影像数据集仅有图像级标注。我们的实验表明，全局平均池化（GAP）和组归一化是导致CAM定位精度恶化的主要因素。为解决该问题，我们提出金字塔定位网络（PYLON），一种高精度的弱监督定位模型，在NIH的Chest X-Ray 14数据集上取得了0.62的平均点定位精度，而传统CAM模型为0.45。源代码与扩展结果见 https://github.com/cmb-chula/pylon。
引用
@article{arxiv.2010.11475,
title = {High resolution weakly supervised localization architectures for medical images},
author = {Konpat Preechakul and Sira Sriswasdi and Boonserm Kijsirikul and Ekapol Chuangsuwanich},
journal= {arXiv preprint arXiv:2010.11475},
year = {2020}
}
备注
submitted to ICASSP 2021