深度学习用于肺癌胸部X射线分析中的降维方法
机器学习
2018-11-19 v1 计算机与社会
摘要
本文评估了若干降维技术的有效性，如肺部分割、骨影剔除以及用于剔除离群点的t分布随机邻域嵌入（t-SNE），这些技术用于通过深度学习方法分析胸部X射线（CXR）二维图像，以帮助放射科医生在CXR中识别肺癌征象。简单卷积神经网络（CNN）的训练与验证在以下开放数据集上进行：JSRT数据集（数据集#01）、骨影剔除后的JSRT——BSE-JSRT（数据集#02）、肺部分割后的JSRT（数据集#03）、肺部分割后的BSE-JSRT（数据集#04），以及经t-SNE方法剔除离群点后的分割BSE-JSRT（数据集#05）。结果表明，与其他预处理数据集相比，经过肺部分割、骨影剔除以及t-SNE滤波剔除离群点后所得的预处理数据集（数据集#05）具有最高的训练速率和最佳的准确率。
引用
@article{arxiv.1801.06495,
title = {Dimensionality Reduction in Deep Learning for Chest X-Ray Analysis of Lung Cancer},
author = {Yu. Gordienko and Yu. Kochura and O. Alienin and O. Rokovyi and S. Stirenko and Peng Gang and Jiang Hui and Wei Zeng},
journal= {arXiv preprint arXiv:1801.06495},
year = {2018}
}
备注
6 pages, 14 figures