学习解读胸部X光片：用于自动图像标注的循环神经级联模型
计算机视觉与模式识别
2016-03-29 v1
摘要
尽管在自动描述图像内容方面最近取得了进展，但其应用主要局限于包含自然图像的图像描述数据集（例如Flickr 30k、MSCOCO）。本文中，我们提出一种深度学习模型，用于从图像中高效检测疾病并标注其上下文（例如位置、严重性和受累器官）。我们采用公开的胸部X光片及其报告的放射学数据集，并利用其图像标注挖掘疾病名称以训练卷积神经网络（CNNs）。在此过程中，我们采用各种正则化技术来规避正常与患病病例间的巨大偏差。然后训练循环神经网络（RNNs）基于深度CNN特征来描述已检测疾病的上下文。此外，我们引入一种新方法，利用已在特定领域图像/文本数据集上训练好的CNN/RNN对的权重，推断用于复合图像标注的联合图像/文本上下文。通过考虑联合图像/文本上下文，使用循环神经级联模型展示了显著改进的图像标注结果。
引用
@article{arxiv.1603.08486,
title = {Learning to Read Chest X-Rays: Recurrent Neural Cascade Model for Automated Image Annotation},
author = {Hoo-Chang Shin and Kirk Roberts and Le Lu and Dina Demner-Fushman and Jianhua Yao and Ronald M Summers},
journal= {arXiv preprint arXiv:1603.08486},
year = {2016}
}