基于迁移学习的主动学习框架用于脑肿瘤分类
图像与视频处理
2020-11-19 v1 计算机视觉与模式识别
机器学习
定量方法
摘要
脑肿瘤是全球儿童和成人癌症相关死亡的主要原因之一。早期精确分类脑肿瘤级别（低级别与高级别胶质瘤）对于成功的预后和治疗规划起着关键作用。随着深度学习的近期进展，人工智能赋能的脑肿瘤分级系统可在数秒内辅助放射科医生解读医学图像。然而，深度学习技术的性能高度依赖于标注数据集的规模。鉴于医学数据的复杂性与体量，标注大量医学图像极具挑战性。在本工作中，我们提出了一种新颖的基于迁移学习的主动学习框架，以在维持脑肿瘤分类模型性能稳定性与鲁棒性的同时降低标注成本。我们采用基于 2D 切片的方法，在 203 名患者的磁共振成像（MRI）训练数据集和用作基线的 66 名患者验证数据集上训练并微调模型。使用我们提出的方法，模型在独立的 66 名患者测试数据集上取得了 82.89% 的受试者工作特征（ROC）曲线下面积（AUC），较基线 AUC 高出 2.92%，同时至少节省了 40% 的标注成本。为进一步检验方法的鲁棒性，我们构建了一个平衡数据集并施以相同流程。模型取得了 82% 的 AUC，而基线为 78.48%，这印证了我们提出的迁移学习结合主动学习框架的鲁棒性与稳定性，同时显著减少了训练数据规模。
引用
@article{arxiv.2011.09265,
title = {A Transfer Learning Based Active Learning Framework for Brain Tumor Classification},
author = {Ruqian Hao and Khashayar Namdar and Lin Liu and Farzad Khalvati},
journal= {arXiv preprint arXiv:2011.09265},
year = {2020}
}