Anatomy-XNet: An Anatomy Aware Convolutional Neural Network for Thoracic Disease Classification in Chest X-rays

要約

深層学習手法を使用した胸部 X 線写真からの胸部疾患の検出は、過去 10 年間の活発な研究分野でした。
以前の方法のほとんどは、モデルの予測に大きく貢献する空間領域を特定することにより、画像の病気の臓器に焦点を合わせようとしました。
対照的に、専門の放射線科医は、それらの領域が異常であるかどうかを判断する前に、まず顕著な解剖学的構造を特定します。
したがって、深層学習モデル内に解剖学的知識を統合することで、自動疾患分類が大幅に改善される可能性があります。
これに動機付けられて、事前に識別された解剖領域によって導かれる空間的特徴を優先する、解剖学を意識した注意ベースの胸部疾患分類ネットワークである Anatomy-XNet を提案します。
利用可能な小規模な臓器レベルの注釈を利用して、臓器レベルの注釈が存在しない大規模なデータセット内の解剖学的領域を特定することにより、半教師あり学習法を採用します。
提案された Anatomy-XNet は、事前にトレーニングされた DenseNet-121 をバックボーン ネットワークとして使用し、2 つの対応する構造化モジュール、Anatomy Aware Attention (A$^3$) および Probabilistic Weighted Average Pooling (PWAP) を使用して、解剖学的注意のためのまとまりのあるフレームワークを構築します。
学ぶ。
NIH、Stanford CheXpert、
それぞれ、MIMIC-CXR。
これは、解剖学のセグメンテーション知識を利用して胸部疾患の分類を改善することの有効性を証明するだけでなく、提案されたフレームワークの一般化可能性も示しています。

要約(オリジナル)

Thoracic disease detection from chest radiographs using deep learning methods has been an active area of research in the last decade. Most previous methods attempt to focus on the diseased organs of the image by identifying spatial regions responsible for significant contributions to the model’s prediction. In contrast, expert radiologists first locate the prominent anatomical structures before determining if those regions are anomalous. Therefore, integrating anatomical knowledge within deep learning models could bring substantial improvement in automatic disease classification. Motivated by this, we propose Anatomy-XNet, an anatomy-aware attention-based thoracic disease classification network that prioritizes the spatial features guided by the pre-identified anatomy regions. We adopt a semi-supervised learning method by utilizing available small-scale organ-level annotations to locate the anatomy regions in large-scale datasets where the organ-level annotations are absent. The proposed Anatomy-XNet uses the pre-trained DenseNet-121 as the backbone network with two corresponding structured modules, the Anatomy Aware Attention (A$^3$) and Probabilistic Weighted Average Pooling (PWAP), in a cohesive framework for anatomical attention learning. We experimentally show that our proposed method sets a new state-of-the-art benchmark by achieving an AUC score of 85.78%, 92.07%, and, 84.04% on three publicly available large-scale CXR datasets–NIH, Stanford CheXpert, and MIMIC-CXR, respectively. This not only proves the efficacy of utilizing the anatomy segmentation knowledge to improve the thoracic disease classification but also demonstrates the generalizability of the proposed framework.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google