基于自注意力的 BiLSTM-CNN 分类器用于预测缺血性与非缺血性心肌病
机器学习
2019-07-30 v3 计算机视觉与模式识别
图像与视频处理
摘要
心力衰竭是医疗支出的主要组成部分，也是全球死亡的主要原因之一。尽管评估者间变异性较高，心内膜心肌活检（EMB）仍被视为标准技术，用于识别不明原因心力衰竭的病因（例如缺血性或非缺血性心肌病、冠状动脉疾病、心肌梗死等）。在本文中，我们重点关注将心肌病识别为缺血性或非缺血性。为此，我们提出并实现了一种新的统一架构，包含 CNN（inception-V3 模型）和带有自注意力机制的双向 LSTM（BiLSTM），以利用组织病理学图像预测缺血性或非缺血性来对心肌病进行分类。所提出的模型基于自注意力，隐式地聚焦于 BiLSTM 隐藏层输出的信息。通过我们的结果，我们证明该框架具有较高的学习能力，并能够提高分类性能。
引用
@article{arxiv.1907.10370,
title = {Self-attention based BiLSTM-CNN classifier for the prediction of ischemic and non-ischemic cardiomyopathy},
author = {Kavita Dubey and Anant Agarwal and Astitwa Sarthak Lathe and Ranjeet Kumar and Vishal Srivastava},
journal= {arXiv preprint arXiv:1907.10370},
year = {2019}
}