深度学习：胸片—李飞飞Thoracic Disease Identification and Localization with Limited Supervision

一：目标：通过少量的位置注解信息的，同时进行识别（疾病预测评分）和定位

 

关键词：弱监督、多实例学习

弱监督：论文中采用的训练数据中只有一少部分是标注了Bounding box的数据，而绝大多数数据仅仅只有分类而没有bbox标签。

多实例学习：文中提到，如果一张图片被标注了某种疾病的分类，那么这张图片中肯定存在至少一个patch对应于这种疾病，否则，如果一张图片被标注为健康，那么，任何一个patch都不会对应到疾病。

数据：chest x-ray image：

二、论文模型：end-to-end 

 

网络结构

• a.将图像输入到残差网络resnet进行特征提取（残差网络去掉最后的分类层以及global pooling层）
• b.将残差网络输出的特征图resize到相同的patch大小（h' x w' 变到P x P：小的变大（双线性插值）/大的变小（maxpooling））hwc-->ppc
• c.通过全卷积网络进行分类（通过Patch Slicing之后的特征图首先送入3x3的卷基层中，得到c*个channel的