深度卷积神经网络的泛化性——基于开源胸部 X 光片的案例研究
计算机视觉与模式识别
2020-07-14 v1 机器学习
摘要
深度卷积神经网络（DCNNs）已引起广泛关注并应用于诸多领域，包括医学图像分析和临床诊断。一个主要挑战是构想出在内部和外部数据上均具有优异性能的 DCNN 模型。我们证明 DCNNs 可能无法泛化到新数据，但提高训练数据的质量和异质性有助于改善泛化因子。我们使用 InceptionResNetV2 和 DenseNet121 架构来预测 5 种常见胸部疾病的风险。实验在三个公开可用数据库上进行：CheXpert、ChestX-ray14 和 MIMIC Chest Xray JPG。结果显示，两种模型上 5 种疾病的内部性能均优于外部性能。此外，我们在训练阶段将模型暴露于混合的不同数据集的策略有助于提升模型在外部数据集上的性能。
引用
@article{arxiv.2007.05786,
title = {Generalization of Deep Convolutional Neural Networks -- A Case-study on Open-source Chest Radiographs},
author = {Nazanin Mashhaditafreshi and Amara Tariq and Judy Wawira Gichoya and Imon Banerjee},
journal= {arXiv preprint arXiv:2007.05786},
year = {2020}
}