用于胸片中弱监督胸部疾病模式定位的迭代注意力挖掘
计算机视觉与模式识别
2018-07-04 v1
摘要
以图像标签作为唯一监督信号，我们聚焦于从胸部 X 光图像中收获或挖掘胸部疾病定位。从现有数据集收获此类定位可创建改进的数据源以用于计算机辅助诊断与回顾性分析。我们训练卷积神经网络（CNN）用于图像分类，并提出注意力挖掘（AM）策略以提升模型对疾病模式的敏感度或显著性。AM 的直觉是：一旦最具显著性的疾病区域被遮挡或隐藏于 CNN 模型，它将关注替代图像区域，同时仍试图做出正确预测。然而，模型在 AM 期间需被恰当约束，否则可能过拟合不相关图像部分并遗忘其从原始图像分类任务学到的宝贵知识。为缓解此类副作用，我们随后设计知识保持（KP）损失，最小化原始与更新网络对 X 光图像响应间的差异。此外，我们修改 CNN 模型以包含多尺度聚合（MSA），提升其对小尺度疾病发现（如肺结节）的定位能力。我们在公开可用的 ChestX-ray14 数据集上实验验证方法，优于基于类激活图（CAM）的方法，并展示我们新颖框架在挖掘疾病位置方面的价值。
引用
@article{arxiv.1807.00958,
title = {Iterative Attention Mining for Weakly Supervised Thoracic Disease Pattern Localization in Chest X-Rays},
author = {Jinzheng Cai and Le Lu and Adam P. Harrison and Xiaoshuang Shi and Pingjun Chen and Lin Yang},
journal= {arXiv preprint arXiv:1807.00958},
year = {2018}
}
备注
9 pages, 2 figures, 3 tables (with supplementary), accepted to MICCAI 2018