用于小儿肺炎诊断的卷积神经网络集成模型
图像与视频处理
2021-06-07 v6
摘要
肺炎是一种肺部感染,造成全球每年超过 800,000 名五岁以下儿童死亡,占儿童死亡率的 15%。该病症主要由病毒或细菌引起。X 射线影像分析是最常用的肺炎诊断方法之一。这些临床图像可使用卷积神经网络(CNN)等机器学习方法分析,其学习提取用于分类的关键特征。然而,由于缺乏可解释性,这些系统在医学中的可用性受限,因为这些模型无法从人类视角生成关于如何得出结果的可理解解释。另一阻碍该技术影响的问题是许多医学领域标注数据有限。本工作的主要贡献有两点:其一是设计一种基于集成中各个模型所得个体热图相融合的新型可解释人工智能(XAI)技术,从而克服 CNN“黑盒”的可解释与可理解问题,突出图像中对生成分类更相关的区域;其二是开发新的集成深度学习模型以分类胸部 X 射线,在使用小数据集训练时取得极具竞争力的结果。我们使用具有低质量与解剖变异的小儿 X 射线小数据集(950 样本,代表最大挑战之一)测试集成模型,还测试了其他策略如从头训练的单 CNN 及使用 CheXNet 的迁移学习。结果显示我们的集成模型优于这些策略并取得极具竞争力结果。最后,我们使用另一肺炎诊断数据集[1]确认了方法的鲁棒性。
引用
@article{arxiv.2010.02007,
title = {Ensembles of Convolutional Neural Networks models for pediatric pneumonia diagnosis},
author = {Helena Liz and Manuel Sánchez-Montañés and Alfredo Tagarro and Sara Domínguez-Rodríguez and Ron Dagan and David Camacho},
journal= {arXiv preprint arXiv:2010.02007},
year = {2021}
}