用于胸片弱监督疾病分类与定位的自引导多示例学习
计算机视觉与模式识别
2022-10-10 v1 机器学习
图像与视频处理
摘要
细粒度标注的缺乏阻碍了自动化诊断系统的部署，此类系统需要为其决策过程提供可被人理解的解释。本文针对胸片中异常的弱监督识别与定位问题。为此，我们引入一种用于训练卷积神经网络的新型损失函数，以提升局部化置信度并辅助整体疾病识别。该损失利用图像级与块级预测来生成辅助监督。与以往损失形式中将预测严格二值化不同，我们以更定制化的方式创建目标，使损失能够考虑可能的误分类。我们表明，所提学习方案提供的监督在多示例学习的流行数据集以及 NIH ChestX-Ray14 疾病识别基准上，均带来优于以往所用损失的性能与更精确的预测。
引用
@article{arxiv.2010.00127,
title = {Self-Guided Multiple Instance Learning for Weakly Supervised Disease Classification and Localization in Chest Radiographs},
author = {Constantin Seibold and Jens Kleesiek and Heinz-Peter Schlemmer and Rainer Stiefelhagen},
journal= {arXiv preprint arXiv:2010.00127},
year = {2022}
}