SCALP——利用患者元数据基于监督对比学习对胸 X 光中心肺疾病进行分类与定位
图像与视频处理
2021-10-29 v1 计算机视觉与模式识别
摘要
计算机辅助诊断在更可及且准确的胸放射影像心肺疾病分类与定位中发挥显著作用。数百万人因这些疾病在缺乏准确及时诊断下受害乃至死亡。近期提出的对比学习严重依赖数据增强，尤其是正样本数据增强。然而，为医学图像生成临床准确的增强极为困难，因为计算机视觉中常见的锐化、模糊与裁剪等数据增强方法会严重改变医学图像的临床表现。本文提出一种基于患者元数据与监督知识的崭新且简单的数据增强方法，为胸 X 光创建临床准确的正、负增强。我们引入端到端框架 SCALP，将自监督对比方法扩展至监督设定。具体而言，SCALP 将同一患者胸 X 光拉拢（正样本键），并将不同患者胸 X 光推远（负样本键）。此外，其使用 ResNet-50 结合三元注意力机制识别心肺疾病，并利用 Grad-CAM++ 高亮异常区域。我们充分的实验表明，SCALP 在分类与定位任务上均以显著优势超越现有基线。具体而言，平均分类 AUC 从 82.8%（使用 DenseNet-121 的 SOTA）提升至 83.9%（使用 ResNet-50 的 SCALP），而定位结果在不同 IoU 阈值上平均提升 3.7%。
引用
@article{arxiv.2110.14787,
title = {SCALP -- Supervised Contrastive Learning for Cardiopulmonary Disease Classification and Localization in Chest X-rays using Patient Metadata},
author = {Ajay Jaiswal and Tianhao Li and Cyprian Zander and Yan Han and Justin F. Rousseau and Yifan Peng and Ying Ding},
journal= {arXiv preprint arXiv:2110.14787},
year = {2021}
}