ThoraX-PriorNet: A Novel Attention-Based Architecture Using Anatomical Prior Probability Maps for Thoracic Disease Classification

要約

目的: 医療画像に基づくコンピュータ支援による病気の診断と予後診断は、急速に台頭している分野です。
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、胸部 X 線画像からの疾患の分類と位置特定のために研究者によって開発されてきました。
さまざまな胸部疾患病変が、他の部位と比較して特定の解剖学的領域で発生する可能性が高いことが知られています。
この記事は、この病気と地域依存の事前確率分布を深層学習フレームワーク内に組み込むことを目的としています。
方法: 胸部疾患分類のための新しい注意ベースの CNN モデルである ThoraX-PriorNet を紹介します。
まず、胸部 X 線画像内の特定の領域における疾患の発生確率を示す、疾患に依存した空間確率、つまり解剖学的事前確率を推定します。
次に、推定された解剖学的事前マスク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、ディープ コンボリューション ネットワークから生成された特徴マップに注意を提供する、新しい注意ベースの分類モデルを開発します。
さまざまな自己注意メカニズムを利用する以前の研究とは異なり、提案された方法は、抽出された胸部 ROI マスクと確率的な解剖学的事前情報を活用し、注意を提供するさまざまな疾患の関心領域を選択します。
結果: 提案された方法は、既存の最先端の方法と比較して、NIH ChestX 線 14 データセットでの疾患分類において優れたパフォーマンスを示し、ROC 曲線下面積 (%AUC) 84.67 に達しました。
疾患の位置特定に関して、解剖学的事前注意法は最先端の方法と比較して優れたパフォーマンスを示し、Intersection over Union (IoU) しきい値で 0.80、0.63、0.49、0.33、0.28、0.21、0.04 の精度を達成しています。
それぞれ0.1、0.2、0.3、0.4、0.5、0.6、0.7。

要約(オリジナル)

Objective: 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. This article aims to incorporate this disease and region-dependent prior probability distribution within a deep learning framework. Methods: We present the ThoraX-PriorNet, a novel attention-based CNN model for thoracic disease classification. 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. Results: 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 84.67. Regarding disease localization, the anatomy prior attention method shows competitive performance compared to state-of-the-art methods, achieving an accuracy of 0.80, 0.63, 0.49, 0.33, 0.28, 0.21, and 0.04 with an Intersection over Union (IoU) threshold of 0.1, 0.2, 0.3, 0.4, 0.5, 0.6, and 0.7, respectively.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google