Class Attention to Regions of Lesion for Imbalanced Medical Image Recognition

要約

自動医療画像分類は、インテリジェント診断システムの重要なコンポーネントです。
ただし、ほとんどの医療画像データセットには、一般的な病気のサンプルが多数含まれている一方、まれな病気のサンプルはほんの一握りしか含まれていないため、クラスの不均衡が大きく生じています。
現在、インテリジェント診断において、不均衡なトレーニング データから効果的に学習することは未解決の問題です。
この論文では、トレーニングに注意を組み込むことでデータの不均衡の問題に対処する、\textbf{C}lass \textbf{A}ttention to \textbf{RE}gions of the病変 (CARE) というシンプルかつ効果的なフレームワークを提案します。
\textbf{C}onvolutional \textbf{N}eural \textbf{N}ネットワーク (CNN) のプロセス。
提案された注意モジュールは、CNN が希少疾患の病変領域に注意を向けるのに役立ち、その結果、CNN がその特徴をより効果的に学習するのに役立ちます。
さらに、このアテンション モジュールはトレーニング フェーズ中にのみ機能し、元のネットワークのアーキテクチャを変更しないため、既存の CNN アーキテクチャと直接組み合わせることができます。
CARE フレームワークには、希少疾患の病変領域を表す境界ボックスが必要です。
手動アノテーションの必要性を軽減するために、従来の顕著性手法または境界ボックス生成用の事前トレーニング済みセグメンテーション モデルを活用して、CARE のバリアントをさらに開発しました。
結果は、自動境界ボックス生成を備えた CARE バリアントが、\textit{manual} 境界ボックス注釈を備えた元の CARE フレームワークと同等であることを示しています。
不均衡な皮膚画像データセットと肺炎データセットに関する一連の実験は、私たちの方法がネットワークが希少疾患の病変領域に焦点を当てるのに効果的に役立ち、希少疾患の分類性能を著しく向上させることができることを示しています。

要約(オリジナル)

Automated medical image classification is the key component in intelligent diagnosis systems. However, most medical image datasets contain plenty of samples of common diseases and just a handful of rare ones, leading to major class imbalances. Currently, it is an open problem in intelligent diagnosis to effectively learn from imbalanced training data. In this paper, we propose a simple yet effective framework, named \textbf{C}lass \textbf{A}ttention to \textbf{RE}gions of the lesion (CARE), to handle data imbalance issues by embedding attention into the training process of \textbf{C}onvolutional \textbf{N}eural \textbf{N}etworks (CNNs). The proposed attention module helps CNNs attend to lesion regions of rare diseases, therefore helping CNNs to learn their characteristics more effectively. In addition, this attention module works only during the training phase and does not change the architecture of the original network, so it can be directly combined with any existing CNN architecture. The CARE framework needs bounding boxes to represent the lesion regions of rare diseases. To alleviate the need for manual annotation, we further developed variants of CARE by leveraging the traditional saliency methods or a pretrained segmentation model for bounding box generation. Results show that the CARE variants with automated bounding box generation are comparable to the original CARE framework with \textit{manual} bounding box annotations. A series of experiments on an imbalanced skin image dataset and a pneumonia dataset indicates that our method can effectively help the network focus on the lesion regions of rare diseases and remarkably improves the classification performance of rare diseases.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google