通过对抗训练与双批量归一化提升神经网络的诊断性能与临床可用性
机器学习
2021-09-15 v1 计算机视觉与模式识别
图像与视频处理
摘要
揭示机器学习模型的决策过程对于在临床实践中部署诊断支持系统至关重要。在此，我们证明与标准模型相比，对抗训练的模型能显著提升病灶检测的临床可用性。我们让六位经验丰富的放射科医生在 X 射线、计算机断层扫描和磁共振成像扫描的数据集上评估显著性图的可解释性。我们的对抗模型取得了显著改进，且可通过应用双批量归一化（dual batch normalization）进一步优化。与先前关于对抗训练模型的研究相反，我们发现当使用足够大的数据集和双批量归一化训练时，此类模型的准确度与标准模型相当。为确保可迁移性，我们还在包含 22,433 张 X 射线的外部测试集上验证了结果。这些发现阐明，在训练期间对抗图像与真实图像需要不同的路径，才能实现具有优越临床可解释性的最优（state of the art）结果。
引用
@article{arxiv.2011.13011,
title = {Advancing diagnostic performance and clinical usability of neural networks via adversarial training and dual batch normalization},
author = {Tianyu Han and Sven Nebelung and Federico Pedersoli and Markus Zimmermann and Maximilian Schulze-Hagen and Michael Ho and Christoph Haarburger and Fabian Kiessling and Christiane Kuhl and Volkmar Schulz and Daniel Truhn},
journal= {arXiv preprint arXiv:2011.13011},
year = {2021}
}