一种利用连续随访X光序列进行疾病分类的深度学习技术
计算机视觉与模式识别
2022-03-30 v1 机器学习
摘要
利用深度学习技术预测基于肺和心脏的疾病，对全球许多研究人员尤其是医学领域而言至关重要。本文针对一个非常熟悉的问题——利用X光进行疾病分类，提出了一种独特的视角。我们提出一个假设：与仅输入一张胸部X光图像并使用内部CNN进行特征提取相比，若输入患者最近三次胸部X光图像的随访史，其在疾病分类上的表现会更好。我们发现，我们所提出的用于解决该问题的通用深度学习架构，在每位患者每个样本提供3张输入X光图像时表现良好。本文还证实，在输出分类前不添加额外层，CNN模型将提升预测每位患者疾病标签的性能。我们以ROC曲线和AUROC分数给出了结果。我们定义了一种采集三张X光图像用于训练深度学习模型的新方法，并得出结论该方法明显提升了模型性能。我们表明，总体而言，ResNet在特征提取阶段的表现优于任何其他所用的CNN模型。凭借我们在数据预处理、图像训练和预训练模型上的原创方法，我们相信当前研究将协助全球众多医疗机构，并改善患者症状的预测与更准确的治疗诊断。
引用
@article{arxiv.2203.15060,
title = {A Deep Learning Technique using a Sequence of Follow Up X-Rays for Disease classification},
author = {Sairamvinay Vijayaraghavan and David Haddad and Shikun Huang and Seongwoo Choi},
journal= {arXiv preprint arXiv:2203.15060},
year = {2022}
}
备注
13 pages