基于肺与心脏区域特征加权的胸部疾病分类

胸部 X 光片是用于筛查胸部疾病最常见且负担得起的放射学检查。根据胸部 X 光片筛查的领域知识，病理信息通常位于肺和心脏区域。然而，在实践中获取区域级标注成本高昂，模型训练主要以弱监督方式依赖于图像级类别标签，这对计算机辅助胸部 X 光片筛查极具挑战性。为解决此问题，近期已有一些方法被提出以识别包含病理信息的局部区域，这对胸部疾病分类至关重要。受此启发，我们提出了一种新颖的深度学习框架来探索肺和心脏区域中的判别性信息。我们设计了一个配备多尺度注意力模块的特征提取器，从全局图像中学习全局注意力图。为有效利用疾病特异性线索，我们通过训练良好的像素级分割模型定位包含病理信息的肺和心脏区域以生成二值化掩码。通过在学到的全局注意力图与二值化掩码上引入逐元素逻辑与（AND）运算，我们得到局部注意力图，其中肺和心脏区域像素为 $1$，其他区域像素为 $0$。通过将注意力图中非肺和心脏区域的特征置零，我们能够有效利用其在肺和心脏区域中的疾病特异性线索。与现有融合全局与局部特征的方法相比，我们采用特征加权以避免削弱肺和心脏区域特有的视觉线索。在公开可用的 chest X-ray14 数据集的基准划分上评估，综合实验表明我们的方法相比最先进的方法取得了更优性能。