深度学习：胸片李飞飞 Thoracic Disease Identification and Localization with Limited Supervision

一：目标：通过少量的位置注解信息的，同时进行识别（疾病预测评分）和定位

关键词：弱监督、多实例学习

弱监督：论文中所使用的训练数据中，仅有少量样本附带了Bounding box标注信息，而其余大部分数据仅具备分类标签，缺乏对应的bbox标注信息。

多实例学习：文中指出，当某张图像被赋予特定疾病的分类标签时，该图像内部必然包含至少一个与该疾病相关的patch；反之，若图像被标记为健康状态，则其所有patch均不会与任何疾病相关联。

数据：chest x-ray image：

二、论文模型：端到端

网络结构

• a. 将图像输入至残差网络ResNet以完成特征提取操作（在该过程中，移除残差网络中最终的分类层与全局池化层）
  • b. 对残差网络输出的特征图进行尺寸调整，使其统一为相同的patch大小（将h' x w' 转换为P x P：若原始尺寸较小则采用双线性插值方式进行放大，若较大则通过最大池化操作进行缩小），实现从hwc到ppc的转换
  • c. 利用全卷积网络 进行图像分类处理。在对图像进行Patch