基于确证数据对肺结节诊断的可靠学习
图像与视频处理
2022-02-28 v1 计算机视觉与模式识别
摘要
深度学习近来的发展已证明其对于基于 CT 的肺结节分类的价值。当前大多数技术本质上是黑盒系统，在临床实践中面临两个泛化性问题。首先，良恶性判别常由人类观察者在不具备结节级病理诊断的情况下评估，我们将此类数据称为“不确定数据(unsure data)”。其次，分类器在学习过程中未必能从块级标签获取可靠的结节特征以实现稳定学习与鲁棒预测。在本研究中，我们构建了一个带有病理确诊标签的确证数据集(sure dataset)，并提出一种协作学习框架，通过结节分割与恶性度评分回归整合不确定数据知识，以促进确证结节分类。我们设计了一个损失函数，通过引入由结节分割图约束的可解释性约束来学习可靠特征。此外，基于反映机器与专家双方理解的模型推理结果，我们探索了一种新的结节分析方法，用于相似历史结节检索与可解释诊断。详细的实验结果表明，我们的方法有助于在提升性能的同时实现针对肺癌预测的可靠模型推理。广泛的跨评估进一步说明了不确定数据对基于深度学习的肺结节分类方法的影响。
引用
@article{arxiv.2202.12515,
title = {Faithful learning with sure data for lung nodule diagnosis},
author = {Hanxiao Zhang and Liang Chen and Xiao Gu and Minghui Zhang and Yulei Qin and Feng Yao and Zhexin Wang and Yun Gu and Guang-Zhong Yang},
journal= {arXiv preprint arXiv:2202.12515},
year = {2022}
}