利用类权重修正器提升深度疾病检测的排除准确率
图像与视频处理
2019-06-25 v1 计算机视觉与模式识别
摘要
在许多筛查应用中，放射科医生或辅助人工智能的主要目标是排除某些发现。为此类应用构建的分类器通常在从患者临床笔记中提取标签的大型数据集上训练。虽然这些笔记中阳性发现的描述质量通常可靠，但未提及某发现并不总能否定其存在。这是因为放射科医生在检查背景下对患者进行评论，例如在急诊室关注创伤而非慢性疾病。然而，这种疾病发现的模糊性会影响算法性能。因此，在训练中对模糊性建模至关重要。我们提出了一种方案，在训练期间对未提及情况对我们的损失函数施加合理的类权重修正器。我们用两种不同的深度神经网络架构进行实验，表明所提方法大幅提升了分类器性能，尤其对否定发现。本文提出的定制扩张块网络的基线性能相较DenseNet-201基线有所提升，同时两种架构均受益于新提出的损失函数加权方案。本研究包含超过200,000张胸部X射线图像以及三种高度常见疾病及其否定对应项。
引用
@article{arxiv.1906.09354,
title = {Boosting the rule-out accuracy of deep disease detection using class weight modifiers},
author = {Alexandros Karargyris and Ken C. L. Wong and Joy T. Wu and Mehdi Moradi and Tanveer Syeda-Mahmood},
journal= {arXiv preprint arXiv:1906.09354},
year = {2019}
}
备注
This paper was accepted by the IEEE International Symposium on Biomedical Imaging (ISBI) 2019