A Novel Attention Mechanism Using Anatomical Prior Probability Maps for Thoracic Disease Classification from X-Ray Images

要約

医用画像に基づくコンピュータ支援による疾病診断と予後予測は、急速に発展しつつある分野である。胸部X線画像から疾患を分類・特定するために，多くの畳み込みニューラルネットワーク（CNN）アーキテクチャが研究者によって開発されてきた．胸部疾患の病変は、特定の解剖学的部位に発生しやすいことが知られている。この知見に基づき、我々はまず、胸部X線画像中の特定の部位に疾患が発生する確率を示す疾患依存の空間確率、すなわち解剖学的事前分布を推定する。次に、推定された解剖学的事前分布と自動的に抽出された胸部関心領域（ROI）マスクからの情報を組み合わせて、深い畳み込みネットワークから生成された特徴マップに注意を与える、新しい注意に基づく分類モデルを開発する。様々な自己注意メカニズムを利用した先行研究とは異なり、提案手法は、抽出された胸部ROIマスクを確率的な解剖学的事前情報と共に活用し、異なる疾患に対する関心領域を選択し、注意を提供する。提案手法は，NIH ChestX-ray14 データセットにおける疾患分類において，既存の最先端手法と比較して優れた性能を示し，ROC曲線下面積（AUC）は0.8427に到達した．また，疾患局在については，提案手法は，Intersection over Union (IoU) の閾値を0.3として，61%の精度を達成し，既存の手法と比較して優位な性能を示している．また，提案手法は，病変の発生確率が特定の解剖学的部位に依存するような，他の医用画像に基づく疾患分類・局在化タスクにも一般化することが可能である．

要約(オリジナル)

Computer-aided disease diagnosis and prognosis based on medical images is a rapidly emerging field. Many Convolutional Neural Network (CNN) architectures have been developed by researchers for disease classification and localization from chest X-ray images. It is known that different thoracic disease lesions are more likely to occur in specific anatomical regions compared to others. Based on this knowledge, we first estimate a disease-dependent spatial probability, i.e., an anatomical prior, that indicates the probability of occurrence of a disease in a specific region in a chest X-ray image. Next, we develop a novel attention-based classification model that combines information from the estimated anatomical prior and automatically extracted chest region of interest (ROI) masks to provide attention to the feature maps generated from a deep convolution network. Unlike previous works that utilize various self-attention mechanisms, the proposed method leverages the extracted chest ROI masks along with the probabilistic anatomical prior information, which selects the region of interest for different diseases to provide attention. The proposed method shows superior performance in disease classification on the NIH ChestX-ray14 dataset compared to existing state-of-the-art methods while reaching an area under the ROC curve (AUC) of 0.8427. Regarding disease localization, the proposed method shows competitive performance compared to state-of-the-art methods, achieving an accuracy of 61% with an Intersection over Union (IoU) threshold of 0.3. The proposed method can also be generalized to other medical image-based disease classification and localization tasks where the probability of occurrence of the lesion is dependent on specific anatomical sites.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL