基于多示例学习的 COPD 分类
计算机视觉与模式识别
2017-03-16 v1 机器学习
摘要
慢性阻塞性肺疾病（COPD）是一种肺部疾病，早期检测有助于提高存活率。COPD 可以通过对计算机断层扫描图像的图像块进行分类，并将图像块标签组合成图像的整体诊断来量化。由于带标注的图像块通常不可用，图像标签被传播到图像块上，导致 COPD 患者的健康图像块被错误标记为受疾病影响。我们将肺部图像中 COPD 的量化视为一个多示例学习（MIL）问题，这更适合此类弱标记数据。我们在 COPD 背景下研究了各种 MIL 假设，并表明尽管存在具有 COPD 相关疾病模式的概念区域，但考虑肺组织图像块的整个分布可以提高性能。最佳方法基于实例平均，获得了 0.742 的 AUC，高于先前在同一数据集上报的 0.713 的最佳结果。使用完整训练集进一步将性能提升至 0.776，显著高于先前结果（DeLong 检验）。
引用
@article{arxiv.1703.04980,
title = {Classification of COPD with Multiple Instance Learning},
author = {Veronika Cheplygina and Lauge Sørensen and David M. J. Tax and Jesper Holst Pedersen and Marco Loog and Marleen de Bruijne},
journal= {arXiv preprint arXiv:1703.04980},
year = {2017}
}
备注
Published at International Conference on Pattern Recognition (ICPR) 2014