基于低分辨率图像及不确定标签的胸部X光分类：深度卷积模型研究

深度卷积神经网络在过去几年中一直在众多影像任务上取得了最先进的结果，尽管这些任务大多包含高质量的数据。然而，针对低分辨率图像进行研究也很重要，因为这可能是偏远地区医疗资源获取的更经济替代方案，而自动病灶识别模型的首要需求正是在此场景中。针对低分辨率图像进行医学诊断具有挑战性，因为关键细节可能难以被识别。本文我们通过在不同输入图像尺寸上对胸部X光片进行实验来深入探索深度CNN模型，并讨论了在不同图像尺寸下进行分类的可行性。我们还通过提出一种随机标签翻转技术来利用数据集中的噪声标签。我们使用针对前位和侧位研究的多标签分类模型集成。我们的模型在公开可用的CheXpert数据集中训练，涉及其中的5个胸部病变类型。我们采用数据增强、正则化等技术以改进模型性能，并使用类别激活图来可视化神经网络的决策过程。我们呈现了与在200名受试者获取的对应高分辨率图像上分类结果的比较，这些结果在原始CheXpert论文中已被报道。对于心肌扩大、肺实变和水肿三种病变，我们的模型架构准确率提升了3%。