用于胸片筛查的深度卷积神经网络架构系统性搜索
计算机视觉与模式识别
2020-04-27 v1 机器学习
摘要
胸片主要用于筛查肺部与心肺/胸部疾病。由于在初级医疗中心开展，其需要现场有出具报告的放射科医生，这在低收入与中等收入国家是一项挑战。这催生了基于机器学习的筛查流程自动化开发。尽管近期工作使用深度卷积神经网络（CNN）集成展示了性能基准，我们对多种标准 CNN 架构的系统性搜索识别出单一候选 CNN 模型，其分类性能与集成模型相当。在 11:3 FP32 TensorTFLOPS 计算系统上执行的跨越 400 小时、逾 63 次实验，我们发现 Xception 与 ResNet-18 架构在识别共存疾病状况方面表现稳定，在九种病症上平均 AUC 为 0.87。我们通过评估使用随机输入采样解释（RISE）方法生成的显著图，并将其与本地一名资深放射科医生手动标注进行定性验证，从而确认了模型的可靠性。我们还对公开可用的 CheXpert 数据集的局限性给出批判性说明，主要因其训练集与测试集类别分布不均，以及少数类别样本不足，因样本不充分而妨碍了量化报告。
引用
@article{arxiv.2004.11693,
title = {A Systematic Search over Deep Convolutional Neural Network Architectures for Screening Chest Radiographs},
author = {Arka Mitra and Arunava Chakravarty and Nirmalya Ghosh and Tandra Sarkar and Ramanathan Sethuraman and Debdoot Sheet},
journal= {arXiv preprint arXiv:2004.11693},
year = {2020}
}
备注
accepted in EMBC 2020, 4 pages+2 page Appendix