MS-Twins: Multi-Scale Deep Self-Attention Networks for Medical Image Segmentation

要約

胸部 X 線検査は、胸部疾患を診断するための最も一般的な放射線検査の 1 つです。
現在、放射線画像の自動分類技術は臨床診断や治療計画に広く活用されています。
しかし、各疾患にはそれぞれ異なる反応特性を持つ受容野領域があり、これが胸部疾患分類タスクの主な課題となっています。
さらに、サンプル データ カテゴリの不均衡により、タスクの難易度はさらに高まります。
これらの問題を解決するために、我々はマルチスケールアテンションネットワークに基づく新しいマルチラベル胸部疾患画像分類スキームを提案する。
このスキームでは、マルチスケール情報を繰り返し融合して疾患の可能性が高い領域に焦点を当て、データからより意味のある情報を効果的にマイニングします。分類パフォーマンスは画像レベルのアノテーションによってのみ改善できます。
また、画像変換の前後で注目領域の一貫性を強制することにより、視覚認識の合理性とマルチラベル画像分類のパフォーマンスを向上させる新しい損失関数を設計しました。
最先端の結果を得るために、公開されている胸部 X-Ray14 および CheXpert データセットに対して包括的な実験が実行され、胸部 X 線画像分類におけるこの方法の有効性が検証されました。

要約(オリジナル)

Chest X-ray is one of the most common radiological examination types for the diagnosis of chest diseases. Nowadays, the automatic classification technology of radiological images has been widely used in clinical diagnosis and treatment plans. However, each disease has its own different response characteristic receptive field region, which is the main challenge for chest disease classification tasks. Besides, the imbalance of sample data categories further increases the difficulty of tasks. To solve these problems, we propose a new multi-label chest disease image classification scheme based on a multi-scale attention network. In this scheme, multi-scale information is iteratively fused to focus on regions with a high probability of disease, to effectively mine more meaningful information from data, and the classification performance can be improved only by image level annotation. We also designed a new loss function to improve the rationality of visual perception and the performance of multi-label image classification by forcing the consistency of attention regions before and after image transformation. A comprehensive experiment was carried out on the public Chest X-Ray14 and CheXpert datasets to achieve state of the art results, which verified the effectiveness of this method in chest X-ray image classification.

arxiv情報

著者 Jing Xu
発行日 2024-08-08 13:58:51+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.CV, eess.IV パーマリンク