应用于胸部 X 射线异常分类法的深度层次多标签分类
计算机视觉与模式识别
2021-01-01 v3 人工智能
摘要
CXR(胸部 X 射线)是一种关键且极其常见的诊断工具,催生了大量用于计算机辅助诊断(CAD)解决方案的研究。然而,高分类准确率以及尊重并纳入临床分类法的有意义模型预测,对 CAD 的可用性都至关重要。为此,我们提出一种用于 CXR CAD 的深度 HMLC(层次多标签分类)方法。与其他层次系统不同,我们表明首先训练网络直接建模条件概率、随后用无条件概率对其进行精炼,是提升性能的关键。此外,我们还为无条件概率构造了一个数值稳定的交叉熵损失函数,带来了切实的性能改进。最后,我们证明 HMLC 可成为管理缺失或不完整标签的有效手段。据我们所知,我们首次将 HMLC 应用于医学影像 CAD。我们在 PLCO 数据集的 CXR 部分上广泛评估了我们的方法,该部分包含超过 张人工标注的 CXR。在使用完整标签时,我们报告了 0.887 的平均 AUC,这是该数据集迄今报道的最高值。这些结果得到 PadChest 数据集上辅助实验的支持,其中我们也报告了显著改进,相较于强“扁平”分类器,AUC 和 AP 分别提升 1.2% 和 4.1%。最后,我们证明我们的 HMLC 方法能更好地处理标签不完整的数据。这些性能改进,加上分类法预测固有的有用性,表明我们的方法代表了 CXR CAD 的有用进步。
引用
@article{arxiv.2009.05609,
title = {Deep Hiearchical Multi-Label Classification Applied to Chest X-Ray Abnormality Taxonomies},
author = {Haomin Chen and Shun Miao and Daguang Xu and Gregory D. Hager and Adam P. Harrison},
journal= {arXiv preprint arXiv:2009.05609},
year = {2021}
}