比较不同深度学习架构用于胸片分类
机器学习
2021-01-19 v1 计算机视觉与模式识别
图像与视频处理
摘要
胸片是放射学中获取最频繁的图像之一，常成为计算机视觉研究的对象。然而，大多数用于分类胸片的模型源自公开可用的深度神经网络，这些网络在大型图像数据集上训练。这些数据集通常与胸片不同：它们多为彩色图像且含若干可能图像类别，而胸片为灰度图像且常仅含较少图像类别。因此，能够表示图像特征中更复杂关系的极深神经网络，对于分类灰度胸片这一相对简单的任务可能并非必需。我们在公开可用的 CheXpert 数据集上比较了十五种不同的人工神经网络架构在训练时间与性能上的表现，以识别最适合胸片深度学习任务的模型。我们表明，较小网络如 ResNet-34、AlexNet 或 VGG-16 有潜力以与更深神经网络如 DenseNet-201 或 ResNet-151 同等的精度分类胸片，同时计算需求更低。
引用
@article{arxiv.2002.08991,
title = {Comparing Different Deep Learning Architectures for Classification of Chest Radiographs},
author = {Keno K. Bressem and Lisa Adams and Christoph Erxleben and Bernd Hamm and Stefan Niehues and Janis Vahldiek},
journal= {arXiv preprint arXiv:2002.08991},
year = {2021}
}
备注
15 pages, 6 figures, 3 tables