【论文阅读笔记】Diagnose like a Radiologist: Attention Guided Convolutional Neural Network

      本文发表在2018年的arXIV上，通过Attention机制，让计算机关注病理区域，在ChestX-ray14数据集上，达到了state-of-the-art的性能。

      本文的想法思路来得很自然，医生在阅读胸片时通常先整体看片子中是否有问题，然后再集中精力看有病理可能的局部区域，最后在结合整张片观察，确定病理结论。本文的算法也按照这种思路，提出一种Attention-guided Convolutional Neural Network（AG-CNN）。

     算法分为三部分：1、Global branch:输入整张胸片，数据经过了常用的数据增强手段处理，从中提取出可疑区域（mask）。2、Local branch：输入为步骤一输出的可疑区域，网络模型同Global branch，这一部分体现了attention机制。3、将Global branch和Local branch训练输出的特征图通过fusion branch的池化层进行连接，输出最后的结果。几个步骤中使用的CNN为ResNet-50和Dense-CNN，损失函数使用binarycross-entropy（BCE）。网络模型如下图：

算法描述如下：

      完整的胸片在经历globalbranch后会计算出mask局域，标识出可能存在病理的区域，使用热力图可视化展示，这里有一个关键的阈值参数来确定mask的大小，通过实验该数值在0.7时网络效果最好。

     文章对比了几种baseline算法，看出在该数据集上达到了state-of-the-art。

     同时实验对比了几种不同的训练方式：先训练global 和local branch，再训练fusion以及序列化的训练global，local和fusion，最终发现序列化效果最好。