Chest X-ray Image Classification: A Causal Perspective
摘要
这篇论文提出了一种新的方法来处理胸部X射线（CXR）分类问题，将因果推理融入到基于深度学习的方法中。尽管近年来深度学习在CXR分类方面取得了许多进展，但确保这些算法真正捕捉到疾病与其潜在原因之间的因果关系，而不仅仅是学习将标签映射到图像上，仍然是一个挑战。
为了解决这个问题，作者提出了一种因果方法，涉及构建结构性因果模型（SCM）并利用反向调整来选择与CXR分类相关的视觉信息。具体而言，他们设计了各种概率优化函数，以消除混淆因素对真实因果关系学习的影响。
代码地址
本文方法
图1显示了NIH数据集中一些困难的情况。每一列都是相同的CXR图像，从上到下每一行依次显示了带有病理性边界框的原始图像、传统CNN-based深度学习的加权热图以及我们的方法。四种困难情况如下：（a）：图像上的文字，（b）：图像不规则，（c）：图像上有医疗设备，（d）：在类别之间容易混淆。
图2显示了用于CXR图像分类的结构性因果模型（SCM）。“D”是输入数据，“C”表示混淆特征，“X”是因果特征，“Y”是预测结果。混淆因素可以阻止因果变量之间的反向路径，因此在调整后，路径被阻止，如右侧所示。
图3显示了网络的概述。首先，应用具有修改后的注意力机制的CNN来提取图像特征，其中Conv n中的n表示卷积操作的核大小，“+”、“×”和“C”分别表示加法、乘法和连接操作。“GAP”表示全局平均池化，“RS”是随机采样操作，“Cls”表示分类器。transformer解码器内部的交叉注意力模块分开了因果和混淆特征，然后我们可以应用参数化反向调整来实现因果推断。
有监督损失函数：
混淆损失函数
因果推断
实验结果
