多标签胸部X光分类的深度学习方法比较
计算机视觉与模式识别
2019-01-30 v2
摘要
X光图像档案（如NIH临床中心的ChestX-ray14数据集）可用性的提升引发了人们对深度学习技术的日益关注。为更好地理解不同方法及其在胸部X光分类中的应用，我们详细研究了一种强大的网络架构：ResNet-50。基于该领域先前的工作，我们考虑了带微调与不带微调的迁移学习，以及从零开始训练专用的X光网络。为利用X光数据的高空间分辨率，我们还纳入了扩展的ResNet-50架构，以及将非图像数据（患者年龄、性别和采集类型）整合进分类过程的网络。在最后的实验中，我们还研究了多种ResNet深度（即ResNet-38和ResNet-101）。在系统评估中，我们使用5折重采样和多标签损失函数，通过ROC统计量比较不同方法在病理分类上的性能，并利用秩相关分析分类器间的差异。总体而言，我们观察到所取得的性能存在相当大的差异，并得出结论：整合非图像数据的X光专用ResNet-38取得了最佳总体结果。此外，使用类激活图来理解分类过程，并提供了对非图像特征影响的详细分析。
引用
@article{arxiv.1803.02315,
title = {Comparison of Deep Learning Approaches for Multi-Label Chest X-Ray Classification},
author = {Ivo M. Baltruschat and Hannes Nickisch and Michael Grass and Tobias Knopp and Axel Saalbach},
journal= {arXiv preprint arXiv:1803.02315},
year = {2019}
}
备注
added official split, non-image feature investigation