利用距离学习与区域验证进行胸部疾病识别与定位
计算机视觉与模式识别
2020-08-13 v2
摘要
使用深度学习模型对医学图像中的疾病进行识别与定位近来引起了显著兴趣。现有方法仅考虑独立地用每幅图像训练网络，且大多数利用激活图进行疾病定位。在本文中，我们提出一种替代方法，其在图像三元组之间学习判别性特征，并循环地在区域特征上训练以验证注意区域是否包含指示疾病的信息。具体地，我们调整距离学习框架用于多标签疾病分类，以区分细微疾病特征。此外，我们在训练期间将预测的类别特定区域的特征反馈给一个单独的分类器，以更好地验证定位的疾病。我们的模型在具有挑战性的 ChestX-ray14 数据集上取得了当前最优（SOTA）的分类性能，并且我们的消融研究表明距离学习和区域验证均有助于整体分类性能。此外，距离学习和区域验证模块能够捕获比无这些模块的基线模型更好的定位本质信息。
引用
@article{arxiv.2006.04203,
title = {Thoracic Disease Identification and Localization using Distance Learning and Region Verification},
author = {Cheng Zhang and Francine Chen and Yan-Ying Chen},
journal= {arXiv preprint arXiv:2006.04203},
year = {2020}
}
备注
British Machine Vision Conference (BMVC) 2020