CT-CAD: Context-Aware Transformers for End-to-End Chest Abnormality Detection on X-Rays

论文下载地址：https://doi.org/10.1109/BIBM52615.2021.9669743

2021 IEEE International Conference on Bioinformatics and Biomedicine (BIBM), CCF-B

基于监督的深度学习方法在医学图像分析领域取得了巨大的成功。从本质上讲，通过探索和嵌入上下文知识来提高准确性，可以进一步改进其中的大多数。然而，它们通常收敛速度慢，计算成本高，这妨碍了它们在实际场景中的使用。为了解决这些问题，我们提出了CT-CAD，用于在X光图片上进行端到端的胸部异常检测。该方法首先构造了一个上下文感知的特征抽取器，通过迭代的特征融合方案和扩展的上下文编码块来扩大感受域，对多尺度上下文信息进行编码。然后，构建变形变压器检测器进行类别分类和位置回归，其变形注意块关注一小部分关键采样点，从而使变压器能够聚焦于特征子空间，加快收敛速度。通过在Vinbig-Chest和Chest-Det10数据集上的对比实验，提出的CT-CAD证明了其有效性，并在训练阶段优于现有方法。