一种用于肺癌预测的半监督自训练新方法
图像与视频处理
2020-12-18 v1 计算机视觉与模式识别
机器学习
摘要
背景与目的：肺癌早期发现至关重要，因其死亡率高且患者常在3期及以上才确诊。同时检测和分类计算机断层扫描（CT）中结节的方法相对较少，且极少有研究将半监督学习用于肺癌预测。本研究提出一种完整的端到端方案，在约4000例CT扫描的综合肺部筛查数据集上，采用前沿的带噪声学生（Self-training with Noisy Student）自训练方法检测和分类肺结节。方法：本研究使用了LUNA16、LIDC和NLST三个数据集。我们首先利用三维深度卷积神经网络模型在检测阶段检测肺结节。分类模型称为最大输出局部-全局网络（Maxout Local-Global Network），其使用非局部网络检测包括形状特征在内的全局特征，残差块检测包括结节纹理在内的局部特征，以及最大输出（Maxout）层检测结节变异。我们在未标注的NLST数据集上训练了首个带噪声学生自训练模型以预测肺癌。随后，我们执行Mixup正则化以增强方案并对错误标签提供鲁棒性。结果与结论：我们的新Mixup最大输出局部-全局网络在来自NLST数据集的2005例完全独立测试扫描上取得了0.87的AUC。我们的新方案在5%显著性水平下使用DeLong检验（p=0.0001）显著优于次优方法。本研究提出了一种结合带噪声学生自训练与Mixup正则化预测肺癌的新端到端方案。在2005例完全独立的数据集上，即使相较其他方法使用了更多图像，我们也取得了最先进（state-of-the-art）的性能。
引用
@article{arxiv.2012.09472,
title = {A new semi-supervised self-training method for lung cancer prediction},
author = {Kelvin Shak and Mundher Al-Shabi and Andrea Liew and Boon Leong Lan and Wai Yee Chan and Kwan Hoong Ng and Maxine Tan},
journal= {arXiv preprint arXiv:2012.09472},
year = {2020}
}
备注
23 pages, 6 figures