AMFP-net: Rede de pirâmide de características multi-escala adaptativa para diagnóstico de pneumoconiose a partir de imagens de raio-X do tórax

A detecção precoce da pneumoconiose através de triagens de saúde rotineiras de trabalhadores na indústria mineradora é crítica para prevenir a progressão desta doença incurável. A classificação automatizada da pneumoconiose em imagens de raio-X do tórax é desafiadora devido ao baixo contraste das opacidades, semelhança entre classes, variação intra-classe e a existência de artefatos. Comparadas aos métodos tradicionais, as redes neurais convolucionais mostraram melhorias significativas nas tarefas de classificação de pneumoconiose, no entanto, a classificação precisa continua desafiadora devido principalmente à incapacidade de focar em opacidades de lesões semanticamente significativas. A maioria das redes existentes se concentra em informações abstratas de alto nível e ignora informações detalhadas de objetos de baixo nível. Diferente das imagens naturais, onde um objeto ocupa um grande espaço, a classificação da pneumoconiose depende da densidade de pequenas opacidades dentro do pulmão. Para abordar essa questão, propomos uma nova rede de pirâmide de características multi-escala adaptativa em dois estágios chamada AMFP-Net para o diagnóstico de pneumoconiose a partir de raios-X do tórax. O modelo proposto consiste em 1) um bloco de contexto multi-escala adaptativa para extrair informações contextuais ricas e discriminativas e 2) um módulo de fusão de características ponderadas para combinar efetivamente informações detalhadas de baixo nível e informações semânticas globais de alto nível. Esta rede em dois estágios primeiro segmenta os pulmões para focar mais em regiões relevantes, excluindo partes irrelevantes da imagem, e depois utiliza os pulmões segmentados para classificar a pneumoconiose em diferentes categorias. Experimentos extensivos em conjuntos de dados públicos e privados demonstram que a abordagem proposta pode superar métodos de ponta tanto para segmentação quanto para classificação.