胸部X光弱监督定位：位置零模型竟被三位放射科医生轻松击败！
Rethinking weakly supervised localization on chest radiographs: position nulls, protocol dependence, and PACE
📖 AI 总结
该研究重新审视胸片弱监督定位的评估方式，指出文献中普遍报告的单一重叠准确率在不同论文间并不可比。作者引入“位置零假设”对照，即保留读出方法自身的框、仅移动其位置，发现类激活映射及其梯度加权变体在ChestX-ray14的七项标注发现中仅有两到四项优于零假设，在CheXlocalize的八项中仅两项占优，而三位认证放射科医生可在四到七项上超越该零假设。研究进一步表明，结果统计口径、提取阈值和掩码转框规则这三个少被说明的选择，各自对结果的影响超过多数已报告的方法效应，预测框面积本身甚至能逆转配对比较。基于这些测量，作者提出PACE方法，将标签训练头给出的发现身份与冻结骨干网络提供的空间证据相乘。探索性匹配面积分析显示PACE在两个数据集上提升了严格重叠准确率，但其对分类器因果图的忠实度最低，优势依赖框规则，且所有设计选择均在评分框上完成，迁移表现一胜一负。
🔑 关键词速览
| 弱监督定位 | 仅使用图像级标签（而非像素级或框级标注）来训练模型定位图像中目标区域的任务。 |
| 位置零模型对照 | 一种控制实验，保留读出器生成的边界框形状但随机移动其位置，用于评估定位方法是否真正捕捉了位置信息。 |
| 类激活映射 | 一种可视化技术，通过加权卷积特征图生成热力图，突出显示模型决策所依据的图像区域。 |
| PACE | 本文提出的方法，全称“群体异常和类别证据”，通过结合标签训练头的类别身份和冻结骨干的空间证据来生成定位图。 |
| 掩码到边界框规则 | 将阈值化后的二值掩码转换为边界框的规则，不同规则（如取最大连通域或所有像素的外接框）会显著影响定位评估结果。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅