用于推断结核病放射学表现的多任务自归一化 3D-CNN
图像与视频处理
2019-07-30 v1
摘要
我们提出了一种适于在 Computer Tomography (CT) 扫描上推断结核病 (TB) 表现存在与否的学习方法，以模拟放射科医师报告。利用 V-Net 编码器从 CT 体数据中提取潜特征，并将其作为 Feed-Forward Neural Network (FNN) 的输入以进行多类分类。为克服在使用规模有限且由大体数据组成的数据集训练深度 3D 模型时通常出现的问题（例如梯度爆炸/消失、缺乏敏感性），我们的方案采用：1) 在网络架构层面，使用 scaled exponential linear unit (SELU) 激活函数使网络自归一化；2) 在学习阶段，采用由任务同方差不确定性加权的损失函数进行多任务学习。结果在 TB 病灶检测上取得了接近或高于 0.9 的 F1-score，在结节数量上取得了 1.16 的 Root Mean Square Error。
引用
@article{arxiv.1907.12331,
title = {A Multi-Task Self-Normalizing 3D-CNN to Infer Tuberculosis Radiological Manifestations},
author = {Pedro M. Gordaliza and Juan José Vaquero and Sally Sharpe and Fergus Gleeson and Arrate Muñoz-Barrutia},
journal= {arXiv preprint arXiv:1907.12331},
year = {2019}
}
备注
MIDL 2019 [arXiv:1907.08612]