重新审视计算机辅助结核病诊断
计算机视觉与模式识别
2023-12-06 v2
摘要
结核病(TB)是一项重大全球健康威胁,每年导致数百万人死亡。尽管早期诊断与治疗可大幅提高存活机会,其仍是一大挑战,尤其在发展中国家。近来,基于深度学习的计算机辅助结核病诊断(CTD)展现出前景,但进展受限于训练数据不足。为此,我们建立了一个大规模数据集,即结核病 X 光(TBX11K)数据集,包含 11,200 张胸部 X 光(CXR)图像及对应的 TB 区域边界框标注。该数据集使得训练精细检测器以实现高质量 CTD 成为可能。此外,我们提出了一个强基线 SymFormer,用于同步进行 CXR 图像分类与 TB 感染区域检测。SymFormer 引入对称搜索注意力(SymAttention)以利用 CXR 图像的双侧对称特性学习判别性特征。由于 CXR 图像未必严格遵循双侧对称特性,我们还提出对称位置编码(SPE),通过特征重标定来促进 SymAttention。为推动 CTD 的未来研究,我们构建了一个基准,引入评估指标、评估由现有检测器改写的基线模型,并举办在线挑战赛。实验表明 SymFormer 在 TBX11K 数据集上取得了最先进性能。数据、代码与模型将于 https://github.com/yun-liu/Tuberculosis 发布。
引用
@article{arxiv.2307.02848,
title = {Revisiting Computer-Aided Tuberculosis Diagnosis},
author = {Yun Liu and Yu-Huan Wu and Shi-Chen Zhang and Li Liu and Min Wu and Ming-Ming Cheng},
journal= {arXiv preprint arXiv:2307.02848},
year = {2023}
}
备注
Accepted by IEEE TPAMI; 17 pages