通过主动挖掘负样本降低胸片肺结节检测的假阳性率
计算机视觉与模式识别
2018-07-31 v1 人工智能
机器学习
机器学习
摘要
在医学影像中生成大量高质量标注数据非常耗时且昂贵。多年来，各类影像任务的监督算法性能大幅提升，但可用于训练这些算法的数据已成为实施的主要瓶颈之一。为此，我们提出了一种半监督学习方法，利用未标注数据中的伪负标签进一步精炼胸片中肺结节检测网络的性能。使用所提网络训练后，在保持灵敏度 0.89 的同时，假阳性率从 0.4864 降低至 0.1266。
引用
@article{arxiv.1807.10756,
title = {False Positive Reduction by Actively Mining Negative Samples for Pulmonary Nodule Detection in Chest Radiographs},
author = {Sejin Park and Woochan Hwang and Kyu Hwan Jung and Joon Beom Seo and Namkug Kim},
journal= {arXiv preprint arXiv:1807.10756},
year = {2018}
}
备注
Presented at the 2nd SIIM C-MIMI(SIIM Conference on Machine Intelligence in Medical Imaging)