基于概率CAM池化的弱监督病灶定位
计算机视觉与模式识别
2020-06-01 v1
摘要
在胸片上定位胸部疾病在诊断与治疗规划等临床实践中起着关键作用。然而，当前基于深度学习的方法通常需要强监督（例如标注的边界框）来训练此类系统，这在大规模下难以获取。我们提出概率类激活图（Probabilistic Class Activation Map, PCAM）池化，一种仅需图像级监督即可用于病灶定位的新型全局池化操作。PCAM池化以概率方式在训练过程中显式利用CAM优异的定位能力。在ChestX-ray14数据集上的实验表明，采用PCAM池化训练的ResNet-34模型在分类任务与定位任务上均优于最先进的基线方法。对PCAM池化生成的概率图的可视化检查显示，与CAM生成的定位热图相比，其在病灶区域周围具有清晰而锐利的边界。PCAM池化已在 https://github.com/jfhealthcare/Chexpert 开源。
引用
@article{arxiv.2005.14480,
title = {Weakly Supervised Lesion Localization With Probabilistic-CAM Pooling},
author = {Wenwu Ye and Jin Yao and Hui Xue and Yi Li},
journal= {arXiv preprint arXiv:2005.14480},
year = {2020}
}