【论文标题】A Structure-Aware Relation Network for Thoracic Diseases Detection and Segmentation

【作者团队】Jie Lian, Jingyu Liu, Shu Zhang, Kai Gao, Xiaoqing Liu, Dingwen Zhang, Yizhou Yu

【发表时间】2021/04/19

【机构】Deepwise AI 实验室、北京大学、西北工业大学、香港大学

【论文链接】https://arxiv.org/pdf/2104.10326.pdf

【代码链接】https://github.com/Deepwise-AILab/ChestX-Det-Dataset .

本文出自 Deepwise AI 实验室、北京大学、西北工业大学、香港大学联合团队，目前已被医学影像处理顶级期刊 IEEE TMI 接收。作者提出了一个由解剖结构关系模块、上下文关系模块、疾病关系模块组成的用于胸部疾病检测和分割的结构感知关系网络 SAR-Net，其性能相较于 Mask R-CNN 有明显提升。

 

胸部疾病或异常的实例级检测和分割是胸部 X 光片自动诊断中的关键问题。利用从领域知识中提取的不变结构和疾病关系，作者对 Mask R-CNN 进行了扩展，提出了一种结构感知关系网络（SAR-Net）。SAR-Net 由三个关系模块组成：1. 解剖结构关系模块——编码疾病与解剖部位之间的空间关系。2. 上下文关系模块——基于疾病 RoI 和肺域的「查询-键」对进行线索聚合。3.疾病关系模块——将共现和因果关系传播到疾病的 proposal 中。

为了制作一个实用的系统，本文作者还提出了 ChestX-Det，这是一个带有实例级注释（边界框和掩模）的胸部 X 光数据集。ChestX-Det 是NIH ChestX-ray14 公共数据集的子集。它包含了 13 种常见疾病的 3,500 张图片，由三名获得委员会认证的放射科医生标记。本文作者在 ChestX-Det 和另一个数据集 DR-Private 上评估 SAR-Net。实验结果表明，该方法相较于 Mask R-CNN 的强对比基线有明显的性能提升。

图 1：SAR-Net 架构示意图

内容中包含的图片若涉及版权问题，请及时与我们联系删除