基于软多示例 Logistic 回归与 $L_1$ 正则化的多放射科医师癌症检测
计算机视觉与模式识别
2014-12-10 v1
摘要
本文处理数字图像癌症检测的医学应用中的多标注问题。主要假设是，尽管图像由多位专家标注，但同一位专家阅读的图像数量并不多。因此，与同时建模每位专家和真实标签的现有工作不同，本文以软方式利用多标注信息。来自不同专家的多个标签被用于估计发现被标记为恶性的概率。学习算法通过最小化建模概率与期望概率之间的 Kullback Leibler (KL) 散度，并约束模型使其紧凑。概率由 logit 回归建模，并且我们使用了多示例学习概念。在针对 CXR CAD 肺癌检测的真实计算机辅助诊断 (CAD) 问题上的实验表明，所提出的算法与使用二元 RVMMIL 分类器或每位标注者一个二元 RVMMIL 模型混合的学习产生了相似的结果。然而，该模型实现了更小的复杂度，在实践中更为可取。
引用
@article{arxiv.1412.2873,
title = {Cancer Detection with Multiple Radiologists via Soft Multiple Instance Logistic Regression and $L_1$ Regularization},
author = {Inna Stainvas and Alexandra Manevitch and Isaac Leichter},
journal= {arXiv preprint arXiv:1412.2873},
year = {2014}
}
备注
20 pages, report