通过利用层级疾病依赖与不确定性标签的 CNN 解读胸部 X 光片
计算机视觉与模式识别
2020-05-27 v1
摘要
胸部 X 光片（CXR）是放射科医生（NHS）最常开具的视图之一，对许多不同胸部疾病的诊断至关重要。从 CXR 中准确检测多种疾病的存在仍是一项具有挑战性的任务。我们提出了一种基于深度卷积神经网络（CNN）的多标签分类框架，用于诊断 14 种常见胸部疾病与征象的存在。具体而言，我们训练了一组强大的 CNN，其利用了异常标签间的依赖关系，并使用标签平滑正则化（LSR）以更好地处理不确定样本。我们的深度网络在近期发布的 CheXpert 数据集（Irvin et al., 2019）超过 200,000 张 CXR 上训练，最终模型为性能最佳网络的集成，在预测验证集中 5 种选定病理时取得了 0.940 的平均曲线下面积（AUC）。据我们所知，这是迄今报道的最高 AUC 分数。更重要的是，所提方法还在 CheXpert 竞赛的独立测试集上进行了评估，该测试集包含由 5 位经验丰富的放射科医生小组标注的 500 项 CXR 研究。所报告性能平均优于其他 3 位个体放射科医生中的 2.6 位，平均 AUC 为 0.930，从而取得了 CheXpert 测试集上的当前最优性能。
引用
@article{arxiv.2005.12734,
title = {Interpreting Chest X-rays via CNNs that Exploit Hierarchical Disease Dependencies and Uncertainty Labels},
author = {Hieu H. Pham and Tung T. Le and Dat T. Ngo and Dat Q. Tran and Ha Q. Nguyen},
journal= {arXiv preprint arXiv:2005.12734},
year = {2020}
}
备注
MIDL 2020 Accepted Short Paper. arXiv admin note: substantial text overlap with arXiv:1911.06475