基于深度卷积神经网络集成学习优化的医学图像分类分析
计算机视觉与模式识别
2022-04-14 v2 人工智能
机器学习
摘要
新颖且高性能的医学图像分类流程大量利用集成学习策略。集成学习的思想是将多样化模型或多个预测进行组装，从而提升预测性能。然而，在基于深度学习的医学图像分类流程中，集成学习策略在何种程度以及哪些策略有益仍是一个开放问题。本工作中，我们提出了一个可复现的医学图像分类流程，用于分析以下集成学习技术的性能影响：增强（Augmenting）、堆叠（Stacking）和装袋（Bagging）。该流程包含最先进的预处理与图像增强方法，以及 9 种深度卷积神经网络架构。其应用于四个具有不同复杂度的流行医学成像数据集。此外，分析了 12 种用于组合多个预测的池化函数，从简单统计函数（如未加权平均）到更复杂基于学习的函数（如支持向量机）。我们的结果显示，Stacking 取得了最大性能增益，F1 分数提升高达 13%。Augmenting 展现出一致的改进能力，达 4%，且也适用于基于单模型的流程。基于交叉验证的 Bagging 表现出接近 Stacking 的显著性能增益，F1 分数提升达 +11%。此外，我们证明简单统计池化函数等于或往往甚至优于更复杂的池化函数。我们得出结论：集成学习技术的集成是任何医学图像分类流程中提升鲁棒性与性能的有力方法。
引用
@article{arxiv.2201.11440,
title = {An Analysis on Ensemble Learning optimized Medical Image Classification with Deep Convolutional Neural Networks},
author = {Dominik Müller and Iñaki Soto-Rey and Frank Kramer},
journal= {arXiv preprint arXiv:2201.11440},
year = {2022}
}
备注
Code: https://github.com/frankkramer-lab/ensmic ; Supplementary Material: https://doi.org/10.5281/zenodo.6457912