摘要

胸部x線圖像的多標(biāo)簽分類通常使用判別方法，即學(xué)習(xí)將圖像直接映射到其二進(jìn)制標(biāo)簽。這些方法使得添加輔助信息(如注釋的不確定性或標(biāo)簽之間的依賴性)具有挑戰(zhàn)性。為此，作者提出了一種新的多標(biāo)簽分類的知識圖譜重建方法，它不僅可以提高編碼器的預(yù)測性能，而且可以作為引入新的領(lǐng)域知識的一般框架。

具體來說，作者從胸部x射線圖像及其標(biāo)簽中構(gòu)造出多模態(tài)知識圖譜，并將多標(biāo)簽分類作為鏈接預(yù)測問題。合并輔助信息可以簡單地通過添加額外的節(jié)點(diǎn)和它們之間的關(guān)系來實現(xiàn)。當(dāng)在一個公開可用的x線照片數(shù)據(jù)集(CheXpert)上進(jìn)行測試時，作者使用樸素知識圖進(jìn)行的關(guān)系重構(gòu)優(yōu)于最先進(jìn)的方法，實現(xiàn)了83.5%的roc下面積曲線，與純判別方法相比，改善了1%的roc值。

具體來說，作者將關(guān)系機(jī)器學(xué)習(xí)領(lǐng)域與多標(biāo)簽分類相結(jié)合，做出了三個關(guān)鍵貢獻(xiàn):

1. 作者將多標(biāo)簽CXR分類重新表述為放射知識圖中的鏈接預(yù)測問題。

2. 作者表明，在CheXpert[1]上測試時，作者的重新配方產(chǎn)生了83.5%的roc下面積曲線，而與之前的最先進(jìn)的[5]的83.2%相比。不像[5]，這沒有包含任何標(biāo)簽依賴。

3. 作者通過包括額外的信息來證明作者的KG表示的靈活性:(a) ground truth注釋中的不確定標(biāo)簽和(b) CXR發(fā)現(xiàn)之間的依賴性。

框架結(jié)構(gòu)

由于大規(guī)模的CXR數(shù)據(jù)集[1,2]，人們提出了許多基于深度學(xué)習(xí)的方法來解決多標(biāo)簽CXR分類問題。文獻(xiàn)中提出的兩種主要的解決方案包括:(1)特別的二進(jìn)制多標(biāo)簽分類[3,4]和(2)利用基于標(biāo)簽依賴的分類[5,6,7]。后者的方法很有趣，因為除了圖像到標(biāo)簽的映射之外，他們還致力于開發(fā)領(lǐng)域知識。yao等人[7]提出了一種基于遞歸神經(jīng)網(wǎng)絡(luò)的解碼器來學(xué)習(xí)標(biāo)簽之間的相互依賴性。Pham等構(gòu)建了一個標(biāo)簽樹，提出了一種分層學(xué)習(xí)訓(xùn)練機(jī)制，對葉節(jié)點(diǎn)進(jìn)行分類，然后是非葉節(jié)點(diǎn)進(jìn)行分類，相當(dāng)于條件訓(xùn)練。Chen等人，另一方面，提出利用標(biāo)簽共現(xiàn)。一種基于標(biāo)簽共現(xiàn)的圖被用來豐富由單純卷積神經(jīng)網(wǎng)絡(luò)(CNN)對圖像進(jìn)行處理學(xué)習(xí)到的特征表示。

實驗結(jié)果

作者使用ROC曲線下面積(AUC)作為評價分類性能的指標(biāo)

作者所有的實驗都是在上述三種隨機(jī)數(shù)據(jù)折疊上進(jìn)行評估的，并報告其平均值。作者不報告標(biāo)準(zhǔn)偏差，因為它在所有情況下都小于0.1%。與之前的工作類似，作者進(jìn)行了兩組實驗:第一，作者將不確定的標(biāo)簽視為積極的，第二，作為消極的。作者將作者的方法與之前的兩個作品[1]和[5]進(jìn)行比較，前者使用一個典型的CNN，后者使用一個CNN，其特征增強(qiáng)了使用圖卷積網(wǎng)絡(luò)從疾病共發(fā)圖學(xué)習(xí)到的疾病特征。

結(jié)論

在這項工作中，作者提出了一個基于關(guān)系學(xué)習(xí)的多標(biāo)簽CXR分類的重新制定。以cxr和“發(fā)現(xiàn)”為實體構(gòu)造的知識圖形成了作者方法的核心。然后，作者提出分類作為鏈接預(yù)測問題在這個KG。作者在公開可用的CXR數(shù)據(jù)集上展示了所提方法的優(yōu)越性能，實現(xiàn)了83.5%的AUC，優(yōu)于最先進(jìn)的方法。

論文鏈接：https:///pdf/2103.06220.pdf

每日堅持論文分享不易，如果喜歡我們的內(nèi)容，希望可以推薦或者轉(zhuǎn)發(fā)給周圍的同學(xué)。

- END -