基于多分辨率的弱监督医学诊断与定位
计算机视觉与模式识别
2018-03-22 v1
摘要
诊断成像通常需要同时识别大量大小和外观各异的病变。除了对这些病变的全局指示外，预测和显示定位信息在增强临床工作流程时能提高对结果的信任和理解。医学训练数据很少包含超出全局图像级标签的内容，因为分割既耗时又昂贵。我们引入了一种应对这些实际约束的方法，通过应用一种在多分辨率下学习并生成弱监督显著性图的新颖架构。此外，我们用可学习的下界自适应（LSE-LBA）对 Log-Sum-Exp 池化函数进行参数化，以引入锐度先验，并仅使用图像级标签更好地处理不同大小的异常定位。将该方法应用于胸部 X 光片解释，我们在 NIH 的 CXR14 数据集上的 9 种异常中达到了 SOTA，同时生成了迄今为止分辨率最高的显著性图。
关键词
引用
@article{arxiv.1803.07703,
title = {Weakly Supervised Medical Diagnosis and Localization from Multiple Resolutions},
author = {Li Yao and Jordan Prosky and Eric Poblenz and Ben Covington and Kevin Lyman},
journal= {arXiv preprint arXiv:1803.07703},
year = {2018}
}
备注
submitted to ECCV 2018