基于多示例学习在无局部标注条件下定位胸片中的危急征象
机器学习
2020-01-27 v1 计算机视觉与模式识别
图像与视频处理
机器学习
摘要
自动检测胸片（CXR）中的危急征象（如气胸）对于辅助放射科医生开展临床工作（如分诊时间敏感病例和筛查偶发病变）十分重要。尽管深度学习（DL）模型已成为一种具有接近人类准确率的 promising 预测技术，它们通常缺乏可解释性，而这是 DL 模型在高度监管的医疗保健行业临床部署的一个重要方面。例如，在图像中定位危急征象有助于解释 DL 分类算法的预测。尽管计算机视觉领域已有大量联合分类与定位方法，但最先进的 DL 模型需要以像素级标签或边界框坐标形式提供的局部标注训练数据。在医学领域，这需要对每种危急征象由医学专家进行昂贵的手动标注。这一要求成为训练可快速扩展到各种征象的模型的主要障碍。在本工作中，我们通过一种基于多示例学习的可解释 DL 算法来解决这些不足，该算法联合分类并定位 CXR 中的危急征象，且无需局部标注。我们在来自三个不同 CXR 数据集的三种不同危急征象（气胸、肺炎和肺水肿）上展示了具有竞争力的分类结果。
引用
@article{arxiv.2001.08817,
title = {Localization of Critical Findings in Chest X-Ray without Local Annotations Using Multi-Instance Learning},
author = {Evan Schwab and André Gooßen and Hrishikesh Deshpande and Axel Saalbach},
journal= {arXiv preprint arXiv:2001.08817},
year = {2020}
}
备注
Accepted to International Symposium of Biomedical Imaging (ISBI) 2020