用于胸部X光疾病分类的变分知识蒸馏
图像与视频处理
2021-03-22 v1 计算机视觉与模式识别
摘要
仅依赖影像数据的疾病分类在医学图像分析中备受关注。然而，当前模型若同时利用电子健康记录（EHRs）——其包含丰富的患者信息与临床医生发现——可进一步提升性能。由于EHR高度依赖临床医生输入，将其信息融入疾病分类存在挑战，限制了自动化诊断的可能。本文提出\textit{变分知识蒸馏}（VKD），一种基于X光、利用EHR知识的疾病分类新概率推断框架。具体而言，我们引入条件潜变量模型，以变分后验在关联EHR文本条件下推断X光图像的潜表示。如此，模型在学习过程中获得提取与疾病相关视觉特征的能力，从而能在推断时仅基于 unseen 患者的X光扫描进行更准确分类。我们在三个含配对X光图像与EHR的公共基准数据集上验证了方法有效性。结果显示，所提变分知识蒸馏能持续提升医学图像分类性能，并显著超越现有方法。
引用
@article{arxiv.2103.10825,
title = {Variational Knowledge Distillation for Disease Classification in Chest X-Rays},
author = {Tom van Sonsbeek and Xiantong Zhen and Marcel Worring and Ling Shao},
journal= {arXiv preprint arXiv:2103.10825},
year = {2021}
}