面向弱监督胸部 X 光异常定位与诊断的分层注意力学习
计算机视觉与模式识别
2021-12-24 v1
摘要
我们关注临床应用中的异常定位问题。尽管深度学习推动了医学影像领域的诸多近期进展，许多临床挑战尚未被充分解决，限制了其更广泛应用。虽然近期方法报告了高诊断准确率，医师因算法决策推理与可解释性普遍缺失而对将这些算法结果用于诊断决策存有顾虑。解决该问题的一种潜在途径是进一步训练这些模型以定位异常而不仅是分类。然而，精确实现此目标需临床专家提供大量疾病定位标注，对多数应用而言极其昂贵而难以完成。本工作中，我们通过一种新颖的注意力驱动弱监督算法向解决这些问题迈进，该算法包含统一激活与基于梯度的视觉注意力的分层注意力挖掘框架。我们的关键算法创新包括设计显式序数注意力约束，以原则化方式实现弱监督模型训练，同时借助定位线索促进生成视觉注意力驱动的模型解释。在两个大规模胸部 X 光数据集（NIH ChestX-ray14 和 CheXpert）上，我们展示了相较当前最优（state of the art）的显著定位性能提升，同时取得了有竞争力的分类性能。我们的代码发布于 https://github.com/oyxhust/HAM。
引用
@article{arxiv.2112.12349,
title = {Learning Hierarchical Attention for Weakly-supervised Chest X-Ray Abnormality Localization and Diagnosis},
author = {Xi Ouyang and Srikrishna Karanam and Ziyan Wu and Terrence Chen and Jiayu Huo and Xiang Sean Zhou and Qian Wang and Jie-Zhi Cheng},
journal= {arXiv preprint arXiv:2112.12349},
year = {2021}
}