用于理解多标签不平衡胸部X射线数据集的深度学习
图像与视频处理
2022-08-01 v1 计算机视觉与模式识别
机器学习
摘要
近年来，卷积神经网络（CNN）凭借其特征提取能力及在分类问题（例如X射线自动分析）中的卓越性能，主导了计算机视觉领域。遗憾的是，这些神经网络被视为黑盒算法，即无法理解算法如何得出最终结果。为在不同领域应用这些算法并验证方法论的有效性，我们需要使用可解释人工智能（eXplainable AI）技术。医学领域的大多数工作聚焦于二分类或多分类问题。然而，在许多现实场景中（如胸部X射线），不同疾病的放射学征象可同时出现，这导致了所谓的“多标签分类问题”。此类任务的一个缺点是类别不平衡，即不同标签的样本数量不相等。本文的主要贡献是面向不平衡多标签胸部X射线数据集的一种深度学习方法论。它为目前未充分利用的PadChest数据集建立了基线，并提出了一种基于热图的新型可解释人工智能技术。该技术还包含概率与模型间匹配。我们系统的结果令人鼓舞，尤其考虑到所用标签的数量。此外，热图与预期区域吻合，即它们标记了专家用于决策的区域。
引用
@article{arxiv.2207.14408,
title = {Deep learning for understanding multilabel imbalanced Chest X-ray datasets},
author = {Helena Liz and Javier Huertas-Tato and Manuel Sánchez-Montañés and Javier Del Ser and David Camacho},
journal= {arXiv preprint arXiv:2207.14408},
year = {2022}
}