[论文解读] ChestNet: A Deep Neural Network for Classification of Thoracic Diseases on Chest Radiography

Hongyu Wang, Yong Xia|arXiv (Cornell University)|Jul 9, 2018

COVID-19 diagnosis using AI参考文献 15被引用 101

一句话总结

ChestNet 将一个分类分支与一个注意力分支结合，用于从胸部X线图诊断14种胸部疾病，在 ChestX-ray14 上的表现超过最先进模型，同时不使用额外的训练数据。

ABSTRACT

Computer-aided techniques may lead to more accurate and more acces-sible diagnosis of thorax diseases on chest radiography. Despite the success of deep learning-based solutions, this task remains a major challenge in smart healthcare, since it is intrinsically a weakly supervised learning problem. In this paper, we incorporate the attention mechanism into a deep convolutional neural network, and thus propose the ChestNet model to address effective diagnosis of thorax diseases on chest radiography. This model consists of two branches: a classification branch serves as a uniform feature extraction-classification network to free users from troublesome handcrafted feature extraction, and an attention branch exploits the correlation between class labels and the locations of patholog-ical abnormalities and allows the model to concentrate adaptively on the patholog-ically abnormal regions. We evaluated our model against three state-of-the-art deep learning models on the Chest X-ray 14 dataset using the official patient-wise split. The results indicate that our model outperforms other methods, which use no extra training data, in diagnosing 14 thorax diseases on chest radiography.

研究动机与目标

• 动机：利用深度学习促进胸部放射影像中胸腔疾病的准确且易获得的诊断。
• 解决胸部疾病定位与诊断的弱监督性质。
• 通过使用统一的特征提取-分类网络，消除对手工特征提取的需求。

提出的方法

• 引入一个两分支架构：一个用于统一特征提取和分类的分类分支，和一个将类别标签与异常位置联系起来的注意力分支。
• 纳入注意力机制，以利用标签与病理异常区域之间的相关性，使网络能够对病变区域进行自适应聚焦。
• 利用 ChestX-ray14 数据集的官方按病人分割来评估性能。
• 避免使用除数据集以外的额外训练数据，以便与最先进模型进行比较。

实验结果

研究问题

• RQ1 注意力机制是否能提高胸部放射影像中胸部疾病的定位和诊断准确性？
• RQ2 ChestNet 在 ChestX-ray14 上是否在不依赖额外训练数据的情况下实现更优的诊断性能？
• RQ3 具有注意力组成的双分支架构是否比仅手工特征的一分支方法更有效？
• RQ4 该模型在 ChestX-ray14 数据集的14种胸部疾病类别上的表现如何？

主要发现

• ChestNet 在 ChestX-ray14 的官方按病人分割下，优于三种最先进的深度学习模型。
• 该模型在不需要超出 ChestX-ray14 的额外训练数据的情况下实现更好的疾病诊断性能。
• 注意力分支利用标签与病灶位置之间的相关性，使网络能够聚焦于病理异常区域。
• 提出的框架通过提供统一的特征提取-分类管道，减少对手工特征的依赖。