基于疾病掩码的微监督胸部疾病定位
计算机视觉与模式识别
2021-01-26 v1 机器学习
摘要
要使基于深度学习的系统作为计算机辅助诊断系统用于医疗领域,不仅需要对疾病进行分类,还需呈现疾病位置。然而,为各类胸部疾病收集实例级标注代价高昂。因此,已有研究提出仅使用图像级标注的弱监督定位方法。先前方法将疾病位置呈现为对分类最具判别力的部分,但这导致深度网络在难以区分的 X 光图像上定位错误区域。为解决此问题,我们提出一种利用疾病掩码的空间注意力方法,该掩码描述了疾病主要发生的区域。我们随后应用空间注意力,通过高亮疾病发生的最高概率来寻找精确疾病区域。同时,胸部 X 光图像中各异的尺寸、旋转与噪声使得生成疾病掩码颇具挑战。为减小图像间差异,我们采用对齐模块将输入 X 光图像变换为通用图像。在包含八类疾病的 NIH-Chest X-ray 数据集上的大量实验表明,相较 SOTA 方法,所提方法取得了更优的定位性能。
引用
@article{arxiv.2101.09915,
title = {Weakly Supervised Thoracic Disease Localization via Disease Masks},
author = {Hyun-Woo Kim and Hong-Gyu Jung and Seong-Whan Lee},
journal= {arXiv preprint arXiv:2101.09915},
year = {2021}
}
备注
The first two authors contributed equally to this work