Weakly Supervised Deep Learning for Thoracic DiseaseClassification and Localization on Chest X-rays
摘要
胸部X光检查时临床上最常见和最实惠的放射检查之一。虽然在胸部X线上检测胸部疾病仍然是一项具有挑战性的任务,但由于1)不同胸部疾病患者的X涉嫌上病变区域出现的高度不同,以及2)放射科医生缺乏准确的像素级注释来进行模型训练。现有的机器学习方法无法应对胸部疾病通常发生在局部疾病专用区地 挑战。在这篇文章中,我们提出了一种弱监督深度学习框架,该框架配备了挤压和激励块、多地图传输和最大-最小合并,用于胸腔疾病的分类和可疑病变区域的定位。在chestX-ray14数据集上进行了全面的实验和讨论。数值和可视化结果都证明了所提出的模型的有效性,并与目前最先进的方法进行了对比,证明了该模型的具有较好的性能。
论文试图解决什么问题?
Chest x-ray 多分类
这是否是一个新的问题?
不是,提高精度
这篇文章要验证一个什么科学假设?
在主干网络Densenet121加入SE block 、Multi-map Transfer Layer、Max-min Pooling,提升精度
有哪些相关研究?如何归类?谁是这一课题在领域内值得关注的研究员?
文献26提出了胸部X线数据集的多视图版本-MIMIC-CXR,并在此基础上自然地提出了一种双重深度卷积网络框架,以利用正侧视图(如果给出)来进行疾病分类。 [26] Jonathan Rubin, Deepan Sanghavi, Claire Zhao, Kathy Lee, Ashequl Qadir, and Minnan Xu-Wilson. 2018. Large Scale Automated Reading of Frontal and Lat- eral Chest X-Rays using Dual Convolutional Neural Networks. arXiv preprint arXiv:1804.07839 (2018).
论文中提到的解决方案之关键是什么?
在主干网络Densenet121加入SE block 、Multi-map Transfer Layer、Max-min Pooling
论文中的实验是如何设计的?
对于SE块,我们按照建议将缩减率设置为16[13]。我们将多地图图层中的M设置为12,实验证明这是性能和复杂度之间的有效折衷。对于最大-最小合并,我们使用k+=k−=1和α=0.7,如[7]所示。端到端模型由ADAM优化器[17]用标准参数(β1=0.9和β2=0.99)训练。我们使用预先训练的DenseNet模型中的权值对模型进行初始化,并且仅从头开始训练多映射传输层和新插入的压缩激励层。继先前在胸片X射线14[25]上的工作后,我们设置了批次大小16和初始学习率0.0001。当验证损失平台期超过5次时,学习速率会下降10倍,验证损失最小的模型将是所选择的分类器。 原始图像大小为1024×1024,对于很深的卷积神经网络是不可行的。在本文中,由于预训练模型DenseNet只接受3通道图像作为输入,因此我们将图像调整为512×512的大小,并将单通道X射线图像转换为3通道RGB图像。作为ImageNet,对每个通道中的像素值进行归一化。在训练过程中,我们从输入的512×512图像中随机裁剪出448×448个子图像来扩充原始训练子集。裁剪的子图被随机水平 翻转,以增量地增加村联样本的变化性和多样性。在评价过程中,我们为每个评价样本输入10个随即裁剪的448×448个子图像(四个角作物和1个中央作物加上水平翻转的版本),并以平均概率作为最终预测。
用于定量评估的数据集是什么?代码有没有开源?
Chest X-ray14,无开源代码,但对应的SE blocks有开源代码https://github.com/xmu-xiaoma666/External-Attention-pytorch
论文中的实验及结果有没有很好地支持需要验证的科学假设?
利用消融研究的方式分别对SE block 、Multi-map Transfer Layer、Max-min Pooling三个模块进行了实验,AUC分别从0.8302降低到0.8279、0.8290、0.8220,证明了三个模块的有效性。
这篇论文到底有什么贡献?
1、在DenseNet块的卷积层后嵌入一个“挤压激发”块进行特征重校准。
2、将堆叠的多图传输层连接到DenseNet替换全连接层的以缓解多标签问题,这在标签有噪音时变得至关重要。
3、我们结合了max-min池化操作,将来自多个地图的空间激活聚合到最终预测中。
下一步呢?有什么工作可以继续深入?
在未来的工作中,我们将利用有限的边界框重新研究病变区域的精确定位。
Weakly Supervised Deep Learning for Thoracic DiseaseClassification and Localization on Chest X-rays相关推荐
- Clinical-grade computational pathology using weakly supervised deep learning on whole slide images
2019年 nature medicine 代码:https://github.com/MSKCC-Computational-Pathology/MIL-nature-medicine-2019 动 ...
- 文章阅读:Generalizable Beat-by-Beat Arrhythmia Detection by Using Weakly Supervised Deep Learning
文章来源:https://www.frontiersin.org/articles/10.3389/fphys.2022.850951/full 摘要: 动态心电图(ECG)监测中的逐搏心律失常检测对 ...
- [CVPR 2016] Weakly Supervised Deep Detection Networks论文笔记
Weakly Supervised Deep Detection Networks,Hakan Bilen,Andrea Vedaldi https://www.cv-foundation.org/o ...
- 论文笔记 Weakly Supervised Deep Detection Networks - CVPR 2016
Weakly Supervised Deep Detection Networks Hakan Bilen, Andrea Vedaldi CVPR, 2016 (PDF) (Citations 58 ...
- 弱监督检测初识——Weakly Supervised Deep Detection Networks解读
文章目录 1 WSDDN模型 1.1 预训练CNN 1.2 CNN特征描述 1.2.1 区域推荐算法 1.2.2 Spatial partial pooling 1.2.3 推荐区域的特征描述 1.3 ...
- Ideas For Weakly Supervised Object Localization
Ideas For Weakly Supervised Object Localization 最近开始跟着师兄做弱监督学习和医疗影像,近日阅读了几篇文章,与 Object Localization ...
- 论文报告笔记(四) Towards Precise End-to-end Weakly Supervised Object Detection Network
文章目录 论文报告笔记(四) Towards Precise End-to-end Weakly Supervised Object Detection Network 弱监督学习 WSDDN OIC ...
- 【深度学习论文翻译】Weakly Supervised Action Localization by Sparse Temporal Pooling Network全文翻译
Phuc Nguyen(University of California Irvine, CA, USA) Ting Liu,Gautam Prasad(Google Venice, CA, USA) ...
- Learning Deep Learning(学习深度学习)
作者:chen_h 微信号 & QQ:862251340 微信公众号:coderpai 简书地址:https://www.jianshu.com/p/e98c5f61a6f2 Learning ...
最新文章
- hadoop启动_Mac OS X 上搭建 Hadoop 开发环境指南
- HUD 5687(字典树)
- HL7 Figure 2-1. Delimiter values(分隔符值)
- 阿里资深技术专家:在各阶段中,3年经验的程序员应具备哪些技术能力(进阶必看)...
- 吴裕雄--天生自然 高等数学学习:多元函数微分学的几何应用
- 字符串匹配的KMP算法(转)
- Fedora的systemctl命令详解 Fedora配置IP地址/DNS/Networking
- 内置函数——hasattr() 函数
- 单片机12864c语言,51单片机+带字库液晶12864+DS1302数字时钟C源程序
- Juphoon RTC年度成绩单,请查收!
- 安装WIN10系统时“谁将会使用这台电脑”输入卡死状态的问题
- Java修改图片大小尺寸图片缩放
- cocos2d实现画笔功能及常用的绘制函数
- MySQL-Workbench数据库备份
- linux Apache安装
- 堆排序(JAVA版)
- 利用docker+雨巷云打造私有网盘之安装mysql5.6(1)
- Unity发布webgl的一些问题
- Python 文件目录操作
- 【原】C++11并行计算 — 数组求和
热门文章
- kali系统的u盘安装过程_kali linux怎么安装u盘启动
- 自然语言处理入门(5)——基于WordArt的AGM手机评论词频分析
- centos7 installation source 阿里源
- 零售行业如何利用数据支撑全业务体系,8大场景1个案例讲清楚
- centos go 连结oracle报ping failed 问题
- 计算机更新配置卡住了,Windows系统更新时电脑卡住或崩溃怎么办-万兴恢复专家...
- 特征工程系列(一):特征工程的概念/特征的处理
- Vue启动报错This is probably not a problem with npm. There is likely additional logging output above.
- css布局的基本思想,流行的CSS思想之——浅析OOCSS
- 基于Android的运动健身减肥管理系统设计与实现(客户端服务端源码及数据库文件)