HR-CAM：利用 CNN 中多级学习精确定位病灶
计算机视觉与模式识别
2019-10-01 v1
摘要
我们提出一种基于 CNN 的技术，其聚合来自多个层的特征图，能够更细致地定位异常并预测所考虑的病理。现有的类激活映射（CAM）技术从最后一层或单个中间层提取特征图以创建判别图，然后插值上采样到原始图像分辨率。在这种情况下，受试者特定的定位是粗糙的，无法捕获细微异常。为缓解此问题，我们的方法构建了一种新颖的基于 CNN 的判别定位模型，我们称之为高分辨率 CAM（HR-CAM），其考虑来自每个分辨率的层，从而通过结合 CNN 的低层、中间层以及高层特征，促进生成可为每位受试者描绘病理的综合图。此外，我们的模型直接在原始图像分辨率下提供判别图，便于更精细地描绘异常。我们在一个模拟异常数据上演示了模型的工作，说明了与现有技术相比模型如何在最终判别图中捕获更精细的细节。然后我们应用该技术：（1）在 T1 加权对比增强（T1-CE）MRI 上从 IV 级胶质母细胞瘤分类室管膜瘤；（2）从神经黑素敏感 MRI 预测帕金森病。在所有这些情况下，我们证明了我们的模型不仅以高准确度预测病理，还创建了临床可解释的受试者特定高分辨率判别定位。总体而言，该技术可推广到任何 CNN，并在临床环境中具有高度相关性。
引用
@article{arxiv.1909.12919,
title = {HR-CAM: Precise Localization of Pathology Using Multi-level Learning in CNNs},
author = {Sumeet Shinde and Tanay Chougule and Jitender Saini and Madhura Ingalhalikar},
journal= {arXiv preprint arXiv:1909.12919},
year = {2019}
}
备注
Medical Image Computing and Computer Assisted Intervention, 2019