基于卷积神经网络（集成）与性能优化的肌肉骨骼放射影像异常检测
计算机与社会
2019-08-07 v1 机器学习
图像与视频处理
摘要
根据全球疾病负担研究，肌肉骨骼疾病影响全球超过 17 亿人，是致残的第二大原因[1,2]。这些疾病的诊断方法各异，但多为体格检查与影像检查。影像与诊断专家稀缺，而放射检查工作量巨大，可能影响诊断准确性。我们利用公开的肌肉骨骼数据集[3]构建机器学习模型进行异常检测。卷积神经网络（CNN）因在分类与目标检测等多种任务中最为成功而被采用[4]。模型开发涉及理论研究、迭代原型设计与结果实证评估。当前由 Pranav 等人（2018）提出的 169 层 DenseNet 在异常检测任务上，7 项研究中有 5 项表现低于最差放射科医生，且总体模型表现低于最佳放射科医生。我们开发的 ensemble200 模型 Cohen Kappa 得分为 0.66，低于 DenseNet 模型（Pranav 等人，2018），但其 F1 分数优于 DenseNet 模型，且不同研究间 Cohen Kappa 分数变异更小：上肢研究最佳 Cohen Kappa 为 0.7408（腕部），最低为 0.5844（手部）。ensemble200 模型在手指研究上以 0.653 的 Cohen Kappa 得分优于 DenseNet 模型，显示出模型性能变异的降低。
引用
@article{arxiv.1908.02170,
title = {Abnormality Detection in Musculoskeletal Radiographs with Convolutional Neural Networks(Ensembles) and Performance Optimization},
author = {Dennis Banga and Peter Waiganjo},
journal= {arXiv preprint arXiv:1908.02170},
year = {2019}
}