深度挖掘外部不完美数据用于胸部 X 光疾病筛查
计算机视觉与模式识别
2020-06-09 v1
摘要
深度学习方法在自动胸部 X 光分析中已展现出显著进展。深度模型的数据驱动特性要求训练数据覆盖较大分布。因此，整合多个数据集的知识至关重要，尤其对于医学图像。然而，利用额外的胸部 X 光（CXR）数据学习疾病分类模型仍具挑战性。近期研究表明，在不同 CXR 数据集上联合训练存在性能瓶颈，且少有研究致力于解决该障碍。本文中，我们认为引入外部 CXR 数据集会导致不完美的训练数据，从而带来挑战。具体而言，不完美数据体现在两方面：域差异，即不同数据集间图像外观存在差异；以及标签差异，即不同数据集为部分标注。为此，我们根据类别将多标签胸部疾病分类问题表述为加权独立的二分类任务。对于跨域共享的通用类别，我们采用任务特定的对抗训练来缓解特征差异。对于仅存在于单一数据集中的类别，我们提出基于不确定性的模型预测时间集成以进一步挖掘缺失标签中的信息。如此，我们的框架同时建模并解决了域差异与标签差异，具备更优的知识挖掘能力。我们在三个包含超过 360,000 张胸部 X 光图像的数据集上进行了大量实验。我们的方法优于其他竞争模型，并在官方 NIH 测试集上以 0.8349 AUC 取得了最先进（SOTA）性能，证明了其利用外部数据集提升内部分类的有效性。
引用
@article{arxiv.2006.03796,
title = {Deep Mining External Imperfect Data for Chest X-ray Disease Screening},
author = {Luyang Luo and Lequan Yu and Hao Chen and Quande Liu and Xi Wang and Jiaqi Xu and Pheng-Ann Heng},
journal= {arXiv preprint arXiv:2006.03796},
year = {2020}
}
备注
Accepted to IEEE Transactions on Medical Imaging