Fugu-MT 論文翻訳(概要): Weakly Supervised Thoracic Disease Localization via Disease Masks

論文の概要: Weakly Supervised Thoracic Disease Localization via Disease Masks

arxiv url: http://arxiv.org/abs/2101.09915v1
Date: Mon, 25 Jan 2021 06:52:57 GMT
ステータス: 処理完了
システム内更新日: 2021-03-14 19:18:39.939987
Title: Weakly Supervised Thoracic Disease Localization via Disease Masks
Title（参考訳）: 疾患マスクによる胸部疾患局在の弱監視
Authors: Hyun-Woo Kim, Hong-Gyu Jung, Seong-Whan Lee
Abstract要約: 画像レベルのアノテーションのみを使用する弱監督ローカリゼーション手法が提案されている。本稿では,主に疾患の発生領域を記述した病マスクを用いた空間的注意法を提案する。提案手法は,最先端手法と比較して位置決め性能に優れることを示す。
参考スコア（独自算出の注目度）: 29.065791290544983
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: To enable a deep learning-based system to be used in the medical domain as a computer-aided diagnosis system, it is essential to not only classify diseases but also present the locations of the diseases. However, collecting instance-level annotations for various thoracic diseases is expensive. Therefore, weakly supervised localization methods have been proposed that use only image-level annotation. While the previous methods presented the disease location as the most discriminative part for classification, this causes a deep network to localize wrong areas for indistinguishable X-ray images. To solve this issue, we propose a spatial attention method using disease masks that describe the areas where diseases mainly occur. We then apply the spatial attention to find the precise disease area by highlighting the highest probability of disease occurrence. Meanwhile, the various sizes, rotations and noise in chest X-ray images make generating the disease masks challenging. To reduce the variation among images, we employ an alignment module to transform an input X-ray image into a generalized image. Through extensive experiments on the NIH-Chest X-ray dataset with eight kinds of diseases, we show that the proposed method results in superior localization performances compared to state-of-the-art methods.
Abstract（参考訳）: コンピュータ支援診断システムとして医療分野での深層学習システムの利用を可能にするためには、疾患の分類だけでなく、疾患の位置も提示することが不可欠である。しかし,様々な胸部疾患に対するインスタンスレベルのアノテーションの収集は高価である。そのため,画像レベルのアノテーションのみを用いる弱教師付き局所化手法が提案されている。従来の方法では, 病原体の位置を分類の最も差別的な部分として示していたが, 深部ネットワークは, 識別不能なX線画像に対して, 間違った領域を局所化する。そこで本研究では,主に疾患が発症する領域を記述する疾患マスクを用いた空間的注意法を提案する。次に, 疾患発生の確率を最大化することにより, 正確な疾患領域の特定に空間的注意をあてる。一方、胸部X線画像のさまざまなサイズ、回転、およびノイズは、疾患マスクの生成を困難にします。画像間のばらつきを低減するために,入力されたx線画像を一般化画像に変換するアライメントモジュールを用いる。 8種類の疾患を持つNIH-Chest X-rayデータセットの広範な実験を通して,提案手法は最先端の手法と比較して,より優れたローカライゼーション性能を示すことを示す。