用于超声心动图视图分类与主动脉瓣狭窄诊断的半监督学习新基准
计算机视觉与模式识别
2021-08-03 v1 机器学习
摘要
半监督图像分类在利用有限标注数据学习方面已取得显著进展，但近期进展在临床应用中的测试仍十分匮乏。受迫切改善对危及生命心脏疾病(尤其是主动脉瓣狭窄)及时诊断的需求驱动，我们构建了一个基准数据集，用于评估半监督方法在心脏超声(超声心动图)解读相关的两项任务上的表现：视图分类与疾病严重程度分类。我们发现，一种称为 MixMatch 的先进方法在两项任务的留出准确率上均取得可观提升，其从大量真实无标注图像以及耗费巨资收集的标注集中学习，实现了优于仅用标注集所能达到的性能。我们进一步开展患者级诊断预测，这需要从数百张多样视图类型的图像(其中大多无关)中聚合信息以做出连贯预测。最佳患者级性能由新方法取得，这些方法优先采用预测为临床相关视图的图像的诊断预测，并将知识从视图任务迁移至诊断任务。我们希望发布的塔夫茨医学超声心动图数据集(Tufts Medical Echocardiogram Dataset)与评估框架能激发临床应用中多任务半监督学习的进一步改进。
引用
@article{arxiv.2108.00080,
title = {A New Semi-supervised Learning Benchmark for Classifying View and Diagnosing Aortic Stenosis from Echocardiograms},
author = {Zhe Huang and Gary Long and Benjamin Wessler and Michael C. Hughes},
journal= {arXiv preprint arXiv:2108.00080},
year = {2021}
}
备注
To appear in the Proceedings of the Machine Learning for Healthcare (MLHC) conference, 2021. 20 pages (including 7 tables & 3 figures). 13 additional pages of references and supplementary material