［论文笔记］ Learning to Read Chest X-Rays Recurrent Neural Cascade Model for Automated Image Annotation

2016 CVPR

可借鉴部分：处理uneven分类问题：1. Batch－normalization2. data-dropout 去掉一部分无病样本的数据
这片文章主要还是讲如何对chest X-ray 自动标注，使用 CNN训练出来的特征初始化RNN，描述疾病信息
以下内容为转载

总结

这是篇文章属于“老方法+新问题”，其实也不算新问题，只不过用在医学图像里很少，我对医学图像处理并不太了解，说错了请见谅。

文章要解决的问题是类似于 image caption，不过应用在 X光图像上。模型并没有改进，但在训练策略上对医学图像处理做了适应。

方法描述

和普通的 自然图像的image caption 的不同点在于，医学图像没有可用于 初始化的模型，imagenet 和医学图像的差别还是很大的。

解决方案就是用医学图像训练一个 分类CNN作为初始化，但是这里的数据有些特殊，需要特别处理，具体是这样的：这里的图像是 X 光图像，每个图片都有对应的诊断报告，可以看成是多个描述，因此要首先解决图像的 label 的问题，也即 section 4所说的labele mining，具体做法是：找到17个高频label，并且每种label都含有超过30个 image，并且这17个 label下的图片 之间很少重复，因此就用这些图片构建一个分类数据库。

接着用 CNN 提出的feature 作为 RNN 的输入，接着是该图像对应的描述的输入，这个描述是用所谓的 MESH 处理过的，因此只是一些重要的词汇，并不是一个完整语义的句子。

然后将该图像在 RNN 模型中所有 t 时刻的 state vector 进行 mean pooling，得到一个平均表达，作为 image/text context，这个 context 的作用是对第一步的 CNN 模型进行细分，比如如下三个描述在第一次 CNN 是被认为是同一个 label，

"calcified granu- loma in right upper lobe", "small calcified granuloma in left lung base", and "multiple calcified granuloma"

现在就是想把他们区分开，就是利用 上面说到的context，对同一个 label 的 image 利用 context 再进行聚类，label 数目从17个扩大到57个，然后再训练，过程和上面一样。
流程图如下