[논문 리뷰] Weakly Supervised Lesion Localization With Probabilistic-CAM Pooling

Wenwu Ye, Jin Yao외 2명|arXiv (Cornell University)|2020. 05. 29.

COVID-19 diagnosis using AI참고 문헌 1인용 수 47

한 줄 요약

이 논문은 PCAM(Probabilistic-CAM) 풀링을 도입합니다. 이는 바운딩 박스 주석 없이도 흉부 X선 영상에서 병변 위치 지정을 개선하기 위한 약한 지도 학습 글로벌 풀링 방법이며, ChestX-ray14에서 baselines 대비 분류 및 위치 지정 성능이 우수하게 향상됩니다.

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.

연구 동기 및 목표

• 이미지 수준 레이블만으로 흉부 병변의 정확한 위치 지정을 가능하게 하여 확장 가능한 학습을 가능하게 한다는 동기를 부여한다.
• 훈련 중 CAM 기반 위치 지정을 확률적 풀링 체계를 통해 특징 집계로 안내한다.
• 추가 주석 없이 대규모 흉부 X선 데이터셋에서 분류 및 위치 지점 성능을 개선한다.

제안 방법

• 백본 네트워크가 흉부 X선 영상을 처리하여 특징 맵을 생성한다.
• 1x1 합성곱을 사용하여 임베딩별 클래스 활성 점수를 계산하고 시그모이드로 경계를 두어 임베딩별 질병 확률을 얻는다.
• MIL 프레임워크하에서 이러한 확률을 정규화하여 주의(attention) 가중치를 얻고 전역 풀링을 가중한다.
• 이 주의 가중치를 사용하여 특징 맵을 풀링하고 동일한 분류 계층을 거치는 임베딩을 생성한다.
• 추론 시 시그모이드 기반 확률 맵을 지역화 열 지도(localization heatmaps)로 사용하여 영역/확률 임계값을 통해 영역과 경계 상자를 얻는다.

실험 결과

연구 질문

• RQ1 PCAM 풀링이 기존의 약한 지도 학습 방법과 비교하여 이미지 수준 감독 하에서 병변 위치 지정을 향상시킬 수 있는가?
• RQ2 CAM 기반 위치 지정을 학습 목표에 통합하는 것이 흉부 X선 데이터셋에서 분류 및 위치 지정을 모두 향상시키는가?
• RQ3 PCAM 확률 맵이 표준 CAM 히트맵과 비교하여 위치 지정 경계에 미치는 정성적 영향은 무엇인가?

주요 결과

• PCAM 풀링은 ChestX-ray14에서 여러 기준선 대비 분류 AUC와 위치 지정 지표를 모두 향상시킨다.
• PCAM 풀링이 생성하는 확률 맵은 전통적인 CAM 히트맵보다 병변 주변의 경계가 더 명확하고 선명하게 나타난다.
• 위치 지정 실험에서 PCAM 풀링은 다수의 질병에 대해 IoBB 기반 위치 정확도를 더 높게 달성하지만 거짓 양성에서 일부 trade-off가 있다.
• 정성적 시각화는 LSE 기반 접근법보다 더 정밀한 병변 위치 지정 경계와 더 넓은 영역 제안을 보여준다.