基于深度生成分类器的胸部 X 射线图像胸腔疾病诊断

胸腔疾病是非常严重的健康问题，困扰着大量人群。胸部 X 射线目前是诊断胸腔疾病最普及的方法之一，在医疗工作流中起着重要作用。然而，阅读胸部 X 射线图像并给出准确诊断对专业放射科医生而言仍是具有挑战性的任务。随着深度学习在计算机视觉中的成功，越来越多深度神经网络架构被应用于胸部 X 射线图像分类。然而，以往大多数深度神经网络分类器基于确定性架构，通常对噪声非常敏感，并可能加剧过拟合问题。本文为使深度架构对噪声更鲁棒并减少过拟合，提出使用深度生成分类器从胸部 X 射线图像自动诊断胸腔疾病。与传统确定性分类器不同，深度生成分类器在深度神经网络中具有一个分布中间层。随后采样层从该分布层抽取随机样本并输入后续层进行分类。该分类器是生成式的，因为类标签由相关分布的样本生成。通过以一定随机性训练模型，深度生成分类器有望对噪声鲁棒并能减少过拟合，从而取得良好性能。我们基于若干知名确定性神经网络架构实现了深度生成分类器，并在 chest X-ray14 数据集上测试了模型。结果展示了深度生成分类器相对于对应深度确定性分类器的优越性。