[論文レビュー] Weakly Supervised Lesion Localization With Probabilistic-CAM Pooling

Wenwu Ye, Jin Yao+2 more|arXiv (Cornell University)|May 29, 2020

COVID-19 diagnosis using AI参考文献 1被引用数 47

ひとこと要約

この論文は、訓練時に CAM の局在化を利用する弱教師付きグローバルプーリング法である Probabilistic-CAM pooling (PCAM pooling) を導入し、Bounding-box アノテーションなしで胸部X線の病変局在を改善し、ChestX-ray14 における baselines と比較して分類と局在の性能を向上させる。

ABSTRACT

Localizing thoracic diseases on chest X-ray plays a critical role in clinical practices such as diagnosis and treatment planning. However, current deep learning based approaches often require strong supervision, e.g. annotated bounding boxes, for training such systems, which is infeasible to harvest in large-scale. We present Probabilistic Class Activation Map (PCAM) pooling, a novel global pooling operation for lesion localization with only image-level supervision. PCAM pooling explicitly leverages the excellent localization ability of CAM during training in a probabilistic fashion. Experiments on the ChestX-ray14 dataset show a ResNet-34 model trained with PCAM pooling outperforms state-of-the-art baselines on both the classification task and the localization task. Visual examination on the probability maps generated by PCAM pooling shows clear and sharp boundaries around lesion regions compared to the localization heatmaps generated by CAM. PCAM pooling is open sourced at https://github.com/jfhealthcare/Chexpert.

研究の動機と目的

• スケーラブルな学習を可能にするために、画像レベルのラベルのみを用いて胸部病変の正確な局在を促す。
• 確率的プーリング方式を介して訓練中の CAM ベースの局在化を活用し、特徴の集約を導く。
• 追加のアノテーション作業なしで、大規模な胸部X線データセットに対して分類と局在の性能を向上させる。

提案手法

• バックボーンネットワークは胸部X線画像を処理して特徴マップを生成する。
• 1x1畳み込みを用いて埋め込みごとにクラス活性化スコアを計算し、シグモイドで結合して埋込みごとの病変確率を得る。
• これらの確率を正規化して MIL フレームワークのアテンション重みとして得て、重み付きグローバルプーリングを行う。
• これらのアテンション重みで特徴マップをプールして、同じ分類層を通る埋め込みを生成する。
• 推論時には、シグモイドベースの確率マップを局在化ヒートマップとして用い、領域閾値設定と確率閾値で領域および境界ボックスを取得する。

実験結果

リサーチクエスチョン

• RQ1 既存の弱教師付き法と比較して、PCAM pooling は画像レベル監視の下で病変の局在化を改善できるか？
• RQ2 訓練目的に CAM ベースの局在化を組み込むと、胸部X線データセットで分類と局在の双方の性能が向上しますか？
• RQ3 標準 CAM ヒートマップと比べた場合、PCAM 確率マップの局在境界への定性的影響は何ですか？

主な発見

• PCAM pooling は ChestX-ray14 における複数のベースラインよりも、分類 AUC および局在指標の双方を改善した。
• PCAM pooling によって生成される確率マップは、伝統的な CAM ヒートマップよりも病変の周囲でより鮮明で鋭い境界を示す。
• 局在実験では、PCAM pooling が複数の疾患に対して IoBB ベースの局在精度を高く達成する一方で、偽陽性のトレードオフがある。
• 定性的な可視化は、LSE ベースのアプローチよりも病変局在境界がより正確で、領域提案が広いことを示している。