用于改进股骨骨折分类的课程学习：基于先验知识与不确定性的数据调度
计算机视觉与模式识别
2021-11-10 v2
摘要
从 X 射线图像对股骨近端骨折进行恰当分类对于治疗选择和患者临床预后至关重要。我们依托常用的 AO 系统，其描述了一个层次化知识树，根据骨折位置和复杂程度将图像分类为类型与亚型。本文提出一种基于卷积神经网络 (CNN) 的股骨近端骨折自动分类方法，将其分为 3 类和 7 类 AO 类别。众所周知，CNN 需要大规模且具有代表性的可靠标签数据集，而此类数据难以针对当前应用收集。本文设计了一种课程学习 (CL) 方法，在此条件下优于基础 CNN 性能。我们的新公式融合了三种课程策略：对训练样本单独加权、重排训练集以及采样数据子集。这些策略的核心是对训练样本排序的评分函数。我们定义了两种新的评分函数：一种来自领域特定先验知识，另一种为原创的自步不确定性分数。我们在股骨近端 X 射线片的临床数据集上开展实验。该课程将股骨近端骨折分类性能提升至经验丰富的创伤外科医生水平。最优课程方法基于先验知识重排训练集，分类性能提升 15%。利用公开可用的 MNIST 数据集，我们进一步讨论并展示了统一 CL 公式在三种受控且具有挑战性的数字识别场景中的益处：数据量有限、类别不平衡以及存在标签噪声。我们的代码可在 https://github.com/ameliajimenez/curriculum-learning-prior-uncertainty 获取。
引用
@article{arxiv.2007.16102,
title = {Curriculum learning for improved femur fracture classification: scheduling data with prior knowledge and uncertainty},
author = {Amelia Jiménez-Sánchez and Diana Mateus and Sonja Kirchhoff and Chlodwig Kirchhoff and Peter Biberthaler and Nassir Navab and Miguel A. González Ballester and Gemma Piella},
journal= {arXiv preprint arXiv:2007.16102},
year = {2021}
}
备注
Medical Image Analysis