通过CBAM增强CNN背板改善不平衡的多标签胸片诊断
计算机视觉与模式识别
2026-05-06 v1
摘要
胸片放射学是用于胸部疾病诊断的广泛使用影像模态，但其传统解释方式耗时且高度依赖专家知识。虽然深度学习通过自动化特征提取提高了诊断效率，但仍面临类别不平衡和多个共存病灶定位等挑战。本文灵感来源于卷积块注意力模块（CBAM）在特征细化方面的优势以及CNN模块在特征提取方面的能力，提出了将CBAM集成到传统CNN模块中的策略，以提升多标签分类任务的性能。我们的方法在ChestXray14数据集上实现了0.8695的平均AUC，优于多个最先进的基线方法。我们的源代码可在https://github.com/NNNguyenDuyyy/FETC_CBAM_Enhanced_CNN.git获取。
引用
@article{arxiv.2605.02328,
title = {Improving Imbalanced Multi-Label Chest X-Ray Diagnosis via CBAM-Enhanced CNN Backbones},
author = {Duy Nguyen Huu and Duy Hoang Khuong and Ngu Huynh Cong Viet},
journal= {arXiv preprint arXiv:2605.02328},
year = {2026}
}
备注
Accepted and Presented at FETC 2025