评估对噪声的鲁棒性：低成本头部 CT 分诊
图像与视频处理
2020-03-31 v2 机器学习
机器学习
摘要
利用卷积神经网络（CNNs）的自动化医学图像分类在医疗领域具有巨大潜力，尤其在训练有素的放射科医生较少的资源受限医疗系统中。然而，对于训练好的 CNN 在噪声水平增高、采集协议不同或使用低成本扫描仪时可能出现的额外伪影（在资金充裕医院收集的数据集中可能代表性不足）的图像上表现如何，人们知之甚少。在本工作中，我们研究一个训练用于分诊头部计算机断层扫描（CT）的模型在降低 X 射线管电流、每旋转机架更少投影数以及有限角度扫描所获取图像上的表现。这些变化可降低扫描仪成本与电力需求，但代价是图像噪声与伪影增加。我们首先开发一个模型用于分诊头部 CT，并报告受试者工作特征曲线下面积（AUROC）为 0.77。随后我们展示该训练模型对降低管电流与减少投影数具有鲁棒性：在管电流降低 16 倍的图像上 AUROC 仅下降 0.65%，在投影数减少 8 倍的图像上仅下降 0.22%。最后，对于有限角度扫描获取的严重退化图像，我们展示一个专门训练用于分类此类图像的模型能够克服重建中的技术限制，并将 AUROC 维持在距原始模型 0.09% 以内。
引用
@article{arxiv.2003.07977,
title = {Assessing Robustness to Noise: Low-Cost Head CT Triage},
author = {Sarah M. Hooper and Jared A. Dunnmon and Matthew P. Lungren and Sanjiv Sam Gambhir and Christopher Ré and Adam S. Wang and Bhavik N. Patel},
journal= {arXiv preprint arXiv:2003.07977},
year = {2020}
}
备注
AI for Affordable Healthcare Workshop at ICLR 2020. First two authors have equal contribution; last two authors have equal contribution. Revision made to manuscript header according to workshop guidelines on 3/28/20