SDFN：基于分割的深度融合网络用于胸部 X 射线图像胸部疾病分类
计算机视觉与模式识别
2020-04-03 v2
摘要
本研究旨在利用深度卷积神经网络自动诊断胸部 X 射线（CXR）图像上所表现的胸部疾病。现有方法通常使用整张 CXR 图像进行训练，但该策略可能存在两个缺陷。首先，整张 CXR 图像中潜在的错位或无关物体的存在可能引入不必要的噪声，从而限制网络性能。其次，作为神经网络训练常见预处理步骤的缩放操作所导致的较低图像分辨率，可能造成图像细节丢失，难以检测具有小病灶区域的病变。为解决这些问题，我们提出一种称为基于分割的深度融合网络（SDFN）的新方法，其利用了领域知识和局部肺区的高分辨率信息。具体而言，局部肺区由肺区生成器（LRG）识别并裁剪。随后使用两个基于 CNN 的分类模型作为特征提取器，以获取整张 CXR 图像与裁剪后肺区图像的判别特征。最后，所得特征由特征融合模块融合以进行疾病分类。在 Chest X-ray 14 数据集的 NIH 基准划分上评估，我们的实验结果表明，通过受试者工作特征（ROC）分析，所开发方法相较现有方法实现了更准确的疾病分类。还发现 SDFN 相比传统方法能更精确地定位病灶区域。
引用
@article{arxiv.1810.12959,
title = {SDFN: Segmentation-based Deep Fusion Network for Thoracic Disease Classification in Chest X-ray Images},
author = {Han Liu and Lei Wang and Yandong Nan and Faguang Jin and Qi Wang and Jiantao Pu},
journal= {arXiv preprint arXiv:1810.12959},
year = {2020}
}
备注
10 pages, 9 figures