用于肺癌检测的多任务学习内部迁移加权
计算机视觉与模式识别
2019-12-17 v1
摘要
近来，多任务网络已被证明既能提供额外的估计能力，或许更重要的是，在“主要/首要”任务上较单任务网络性能更优。然而，跨不同任务平衡多任务网络的优化准则仍是活跃探索的领域。在此，我们扩展一个先前提出的基于三维注意力的网络，增加四个辅助任务子网络用于肺癌检测及四项辅助任务（哮喘、慢性支气管炎、慢性阻塞性肺病和肺气肿的诊断）。我们提出并评估一种学习策略——周期聚焦学习策略（PFLP），在训练过程中交替各任务的主导地位。为提升主要任务性能，我们提出内部迁移加权（ITW）策略，在训练最终阶段抑制辅助任务的损失函数。为评估该方法，我们考察了来自国家肺部筛查试验（NLST）的 3386 名患者（每名患者单次扫描）及范德堡大学肺部筛查计划去标识数据，按 2517/277/592（扫描数）划分为训练、验证与测试集。基线网络包括单任务策略及无自适应权重（PFLP/ITW）的多任务策略，而主要实验为启用 PFLP 或 ITW 或两者皆用的多任务试验。在肺癌预测的测试集上，基线单任务网络预测 AUC 为 0.8080，多任务基线未能收敛（AUC 0.6720）。然而，应用 PFLP 助多任务网络厘清并实现测试集肺癌预测 AUC 0.8402。此外，我们的 ITW 技术提升了启用 PFLP 的多任务网络，取得 AUC 0.8462（McNemar 检验，p < 0.01）。
引用
@article{arxiv.1912.07167,
title = {Internal-transfer Weighting of Multi-task Learning for Lung Cancer Detection},
author = {Yiyuan Yang and Riqiang Gao and Yucheng Tang and Sanja L. Antic and Steve Deppen and Yuankai Huo and Kim L. Sandler and Pierre P. Massion and Bennett A. Landman},
journal= {arXiv preprint arXiv:1912.07167},
year = {2019}
}
备注
Accepted by Medical Imaging, SPIE2020