利用极少正样本构建疾病检测算法
计算机视觉与模式识别
2018-05-09 v1 机器学习
摘要
尽管深度学习在医学图像分析中可给出有前景的结果，但缺乏超大规模标注数据集限制了其全部潜力。此外，有限的正样本也会造成数据集不平衡，从而限制训练模型的真阳性率。由于不平衡数据集大多难以避免，若能从负样本中提取有用知识以提升在有限正样本上的分类准确率，则大有裨益。为此，我们提出一种面向疾病检测的医学图像分析流程构建新策略。我们仅在正常图像上训练一个判别性分割模型，以为疾病检测分类器提供可迁移的知识来源。我们表明，利用训练好的分割网络的特征图，一个两类分类网络可在极度不平衡的训练集（少至 1 个正样本对应 17 个负样本）上学习到正常解剖结构的偏离。我们证明，即便分割网络仅在正常心脏计算机断层扫描图像上训练，所得特征图仍可用于通过两类卷积分类网络检测心包积液与室间隔缺损。
引用
@article{arxiv.1805.02730,
title = {Building Disease Detection Algorithms with Very Small Numbers of Positive Samples},
author = {Ken C. L. Wong and Alexandros Karargyris and Tanveer Syeda-Mahmood and Mehdi Moradi},
journal= {arXiv preprint arXiv:1805.02730},
year = {2018}
}