The chest X-ray is one of the most common radiological examination types for the diagnosis of chest diseases. Nowadays, the automatic classification technology of radiological images has been widely used in clinical diagnosis and treatment plans. However, each disease has its own different response characteristic receptive field region, which is the main challenge for chest disease classification tasks. Besides, the imbalance of sample data categories further increases the difficulty of tasks. To solve these problems, we propose a new multi-label chest disease image classification scheme based on a multi-scale attention network. In this scheme, multi-scale information is iteratively fused to focus on regions with a high probability of disease, to effectively mine more meaningful information from data. A novel loss function is also designed to improve the rationality of visual perception and multi-label image classification, which forces the consistency of attention regions before and after image transformation. A comprehensive experiment was carried out on the Chest X-Ray14 and CheXpert datasets, separately containing over 100,000 frontal-view and 200,000 front and side view X-ray images with 14 diseases. The AUROC is 0.850 and 0.815 respectively on the two data sets, which achieve the state-of-the-art results, verified the effectiveness of this method in chest X-ray image classification. This study has important practical significance for using AI algorithms to assist radiologists in improving work efficiency and diagnostic accuracy.

中文翻译：

---

MS-ANet：深度学习，用于自动多标签胸腔疾病的检测和分类

胸部X光检查是诊断胸部疾病最常见的放射学检查类型之一。如今，放射线图像的自动分类技术已被广泛应用于临床诊断和治疗计划中。但是，每种疾病都有其自己不同的响应特征感受野区域，这是对胸部疾病分类任务的主要挑战。此外，样本数据类别的不平衡进一步增加了任务难度。为了解决这些问题，我们提出了一种基于多尺度注意力网络的新的多标签胸部疾病图像分类方案。在此方案中，迭代地融合了多尺度信息，以集中于具有高疾病可能性的区域，从而有效地从数据中挖掘出更有意义的信息。还设计了一种新颖的损失函数来改善视觉感知和多标签图像分类的合理性，从而在图像转换之前和之后强制注意区域的一致性。在Chest X-Ray14和CheXpert数据集上进行了全面的实验，分别包含超过100,000张正面图和200,000张正面和侧面图以及14种疾病的X射线图像。在两个数据集上的AUROC分别为0.850和0.815，达到了最新的结果，证明了该方法在胸部X射线图像分类中的有效性。这项研究对于使用AI算法来协助放射科医生提高工作效率和诊断准确性具有重要的现实意义。这会在图像转换之前和之后强制注意区域的一致性。在Chest X-Ray14和CheXpert数据集上进行了全面的实验，分别包含超过100,000张正面图和200,000张正面和侧面图以及14种疾病的X射线图像。在两个数据集上的AUROC分别为0.850和0.815，达到了最新的结果，证明了该方法在胸部X射线图像分类中的有效性。这项研究对于使用AI算法来协助放射科医生提高工作效率和诊断准确性具有重要的现实意义。这会在图像转换之前和之后强制注意区域的一致性。在Chest X-Ray14和CheXpert数据集上进行了全面的实验，分别包含超过100,000张正面图和200,000张正面和侧面图以及14种疾病的X射线图像。在两个数据集上的AUROC分别为0.850和0.815，达到了最新的结果，证明了该方法在胸部X射线图像分类中的有效性。这项研究对于使用AI算法来协助放射科医生提高工作效率和诊断准确性具有重要的现实意义。000种具有14种疾病的正视图和侧视图X射线图像。在两个数据集上的AUROC分别为0.850和0.815，达到了最新的结果，证明了该方法在胸部X射线图像分类中的有效性。这项研究对于使用AI算法来协助放射科医生提高工作效率和诊断准确性具有重要的现实意义。000种具有14种疾病的正视图和侧视图X射线图像。在两个数据集上的AUROC分别为0.850和0.815，达到了最新的结果，证明了该方法在胸部X射线图像分类中的有效性。这项研究对于使用AI算法来协助放射科医生提高工作效率和诊断准确性具有重要的现实意义。