研究目的
通过类别残差注意力学习框架,缓解无关类别的干扰并增强相关特征,以解决胸部X光图像多标签胸腔疾病分类问题。
研究成果
CRAL框架通过类别残差注意力机制有效抑制无关特征并增强相关特征,从而显著提升多标签胸部X光图像分类效果。该模型在Chest X-ray14数据集上以平均AUC值0.816达到最先进性能,充分验证了其有效性。未来研究应探索弱监督方法以实现精准病灶定位。
研究不足
该研究仅依赖图像级监督,未使用病变位置等额外标注,这可能限制定位精度。若采用更精细的监督或更大规模的数据集,框架性能有望进一步优化。
1:实验设计与方法选择:
本研究采用类别残差注意力学习(CRAL)框架,包含两个??椋菏褂肅NN(ResNet-50或DenseNet-121)的特征嵌入模块,以及为特征分配权重的注意力学习模块(att1或att2)。采用端到端训练方式,使用二元交叉熵损失函数。
2:样本选择与数据来源:
使用NIH的Chest X-ray14数据集,包含112,120张含14种疾病病理的前视图X光图像。采用Wang等人(2017)提供的数据集划分方案,确保训练集和测试集之间无患者重叠。
3:实验设备与材料清单:
深度学习计算资源,具体使用PyTorch实现。未提及特定硬件。
4:实验流程与操作步骤:
数据增强包括调整为256x256尺寸、随机裁剪至224x224以及水平翻转。图像通过减去ImageNet均值进行归一化。训练采用SGD优化器,小批量大小为64,30个训练周期,初始学习率为0.01并在20个周期后降低,权重衰减为0.0001,动量为0.9。测试过程包括中心裁剪及类似归一化处理。
5:01并在20个周期后降低,权重衰减为0001,动量为9。测试过程包括中心裁剪及类似归一化处理。
数据分析方法:
5. 数据分析方法:使用各病理的AUC分数评估性能?;嬷芌OC曲线,并通过消融实验评估不同组件的影响。
独家科研数据包,助您复现前沿成果,加速创新突破
获取完整内容