摘要

使用深度学习方法从胸部X光片中检测胸腔疾病在过去十年中一直是研究的热点领域。大多数先前的方法试图通过识别对模型预测有显著贡献的空间区域来关注图像中的病变器官。相比之下，专家放射科医生首先定位突出的解剖结构，然后判断这些区域是否异常。因此，在深度学习模型中整合解剖学知识可以显著提高自动疾病分类的准确性。受此启发，我们提出了一种基于解剖学注意力的胸腔疾病分类网络——Anatomy-XNet，该网络优先考虑由预先识别的解剖区域引导的空间特征。我们采用半监督学习方法，利用可用的小规模器官级注释在大规模数据集中定位解剖区域，而这些数据集通常缺乏器官级注释。所提出的Anatomy-XNet以预训练的DenseNet-121作为骨干网络，并在其框架内结合了两个相应的结构模块：解剖学注意力模块（Anatomy Aware Attention, A$^3$）和概率加权平均池化模块（Probabilistic Weighted Average Pooling, PWAP），以实现解剖学注意力的学习。实验结果表明，我们的方法在这三个公开的大规模胸部X光片数据集——NIH、Stanford CheXpert和MIMIC-CXR上分别达到了85.78%、92.07%和84.04%的AUC分数，不仅证明了利用解剖分割知识可以提高胸腔疾病分类的有效性，还展示了所提框架的良好泛化能力。