基于增强训练流程从胸部 X 线中自动识别胸部病变
图像与视频处理
2020-06-15 v1 计算机视觉与模式识别
机器学习
摘要
胸部 X 线是用于诊断肺和心脏疾病最常见的放射学检查。因此，一个从胸部 X 线自动预报告病理发现的系统将极大提升放射科医生的工作效率。为此，我们研究了一种具有新颖训练方案的深度学习框架，用于从胸部 X 线分类不同的胸部病变标签。我们使用当前最大公开标注数据集 ChestX-ray14，包含 30,805 名患者的 112,120 张胸部 X 线照片。每张图像被标注为 'NoFinding' 类，或 14 个胸部病变标签中的一个或多个。受试者可能患多种病变，构成多类多标签问题。我们使用 k-hot 编码将标签编码为二值向量。我们研究在 ImageNet 上预训练的 ResNet34 架构，其中在训练框架中融入两项关键修改：(1) 带动量和重启的随机梯度下降，使用余弦退火；(2) 可变图像尺寸微调以防止过拟合。此外，我们使用启发式算法选择良好学习率。带重启的学习用于避免局部极小。采用受试者工作特征曲线下面积（AUC）定量评估诊断质量。我们的结果与当前最先进方法的最佳结果相当或更优，AUC 如下：肺不张 0.81、心脏肥大 0.91、实变 0.81、水肿 0.92、胸腔积液 0.89、肺气肿 0.92、纤维化 0.81、疝 0.84、浸润 0.73、肿块 0.85、结节 0.76、胸膜增厚 0.81、肺炎 0.77、气胸 0.89 以及 NoFinding 0.79。我们的结果表明，除使用复杂网络架构外，良好的学习率、调度器和鲁棒优化器可提升性能。
引用
@article{arxiv.2006.06805,
title = {Automated Identification of Thoracic Pathology from Chest Radiographs with Enhanced Training Pipeline},
author = {Adora M. DSouza and Anas Z. Abidin and Axel Wismüller},
journal= {arXiv preprint arXiv:2006.06805},
year = {2020}
}
备注
6 pages, 1 figure, 2 tables