InfoMask: Masked Variational Latent Representation to Localize Chest Disease

La rareté des images médicales richement annotées limite les solutions d’apprentissage en profondeur supervisées aux tâches d’analyse d’images médicales, telles que la localisation de signatures de maladies radiomiques discriminatoires. Par conséquent, il est souhaitable de tirer parti de modèles non supervisés et faiblement supervisés. Les dernières méthodes de localisation faiblement supervisées appliquent des cartes d’attention ou des propositions de région dans une formulation d’apprentissage à instances multiples. Bien que les cartes d’attention puissent être bruyantes, conduisant à des régions mises en surbrillance par erreur, il n’est pas simple de choisir une taille de fenêtre / sac optimale pour des approches d’apprentissage multi-instances. Dans cet article, nous proposons un mécanisme de masquage spatial appris pour filtrer les signaux de fond non pertinents des cartes d’attention. La méthode proposée minimise les informations mutuelles entre une représentation variationnelle masquée et l’entrée, tout en maximisant l’information entre la représentation masquée et les étiquettes de classe. Cela se traduit par une localisation plus précise des régions discriminantes. Nous avons testé le modèle proposé sur le jeu de données ChestX-ray8 afin de localiser la pneumonie à partir d’images radiologiques thoraciques sans utiliser d’annotation au niveau des pixels ou du cadre de sélection.