基于信息瓶颈的因果注意力机制在多标签医学图像识别中的应用.pdfVIP

基于信息瓶颈的因果注意力机制在多标签医学图像识

别中的应用

XiaoxiaoCui,YiranLi,KaiHe,ShanzhiJiang,MengliXue,Wentao

Li,JunhongLeng,ZhiLiu,LizhenCui,andShuoLi

JointSDU-NTUCentreforArtificialIntelligenceResearch(C-FAIR),Shandong

University,Jinan,Shandong250101,China

SchoolofInformationScienceandEngineering,ShandongUniversity,Qingdao,

Shandong266237,China

{clz,liuzhi}@

本Departmentofultrasound,JinanMaternityandChildCareHospitalAffiliatedto

译ShandongFirstMedicalUniversity,Jinan,Shandong250012,China

中CaseWesternReserveUniversity,Cleveland,OH44106,USA

1

v

9摘要多标签分类（MLC）的医学影像旨在识别多种疾病，并具有重要的临

6

0床潜力。关键步骤是学习类特定特征以实现准确诊断和提高可解释性。然

8而，当前的研究主要集中在因果注意力上以学习类特定特征，但由于无意

0.中关注与类别无关的特征，它们难以解读真正的原因。为了解决这一挑战，

8我们提出了一种新的结构因果模型（SCM），将类特定注意力视为因果、伪

0

5相关和噪声因素的混合，并提出了基于信息瓶颈的因果注意力（IBCA），

2能够学习医学影像MLC中的判别类特定注意力。具体来说，我们建议学

:

v习高斯混合多标签空间注意力以过滤掉与类别无关的信息并捕捉每个类别

i

x的特定注意力模式。然后提出了一种对比增强型因果干预方法，通过将多

r头注意力与高斯混合多标签空间对齐来逐步减轻伪相关注意力并减少噪声

a

信息。在Endo和MuReD上的定量和消融结果表明，IBCA优于所有方

法。与每个指标的次优结果相比，对于MuReD，IBCA在CR上提高了

6.35%，在OR上提高了7.72%，在mAP上提高了5.02%；对于Endo，在

CR上提高了1.47%，CF1上提高了1.65%，mAP上提高了1.42%