从模糊标签中学习用于肺结节恶性预测

Zehui Liao; Yutong Xie; Shishuai Hu; Yong Xia

从模糊标签中学习用于肺结节恶性预测

图像与视频处理 2021-04-26 v1 计算机视觉与模式识别

作者: Zehui Liao , Yutong Xie , Shishuai Hu , Yong Xia

摘要

肺结节恶性预测是肺癌早期诊断的关键步骤。除通常讨论的困难外，该任务的挑战还来自标注者提供的模糊标签，因为深度学习模型可能学习甚至放大其中嵌入的偏差。本文中，我们提出一种多视图“分而治之”(MV-DAR)模型，从可靠和模糊标注中学习用于肺结节恶性预测。根据其标注的一致性和可靠性，我们将结节分为三个集合：一致且可靠集(CR-Set)、不一致集(IC-Set)和低可靠集(LR-Set)。IC-Set中的结节由多名放射科医生不一致地标注，LR-Set中的结节仅由一名放射科医生标注。所提MV-DAR包含三个DAR子模型，从三个正投影视图刻画肺结节。每个DAR由一个预测网络(Prd-Net)、一个反事实网络(CF-Net)和一个低可靠网络(LR-Net)组成，分别在CR-Set、IC-Set和LR-Set上学习。CF-Net和LR-Net学到的图像表示能力随后通过负注意力模块(NA-Module)和一致注意力模块(CA-Module)迁移到Prd-Net，旨在提升Prd-Net的预测能力。MV-DAR模型已在LIDC-IDRI数据集和LUNGx数据集上评估。我们的结果不仅表明所提MV-DAR模型在从模糊标签学习中的有效性，也表明其在肺结节恶性预测中优于现有噪声标签学习模型。

关键词

肺结节恶性预测模糊标签多视图分而治之深度学习 LIDC-IDRI数据集噪声标签学习

引用

@article{arxiv.2104.11436,
  title  = {Learning from Ambiguous Labels for Lung Nodule Malignancy Prediction},
  author = {Zehui Liao and Yutong Xie and Shishuai Hu and Yong Xia},
  journal= {arXiv preprint arXiv:2104.11436},
  year   = {2021}
}

备注

Submitted to IEEE-TMI

从模糊标签中学习用于肺结节恶性预测

摘要

关键词

引用

备注

相关论文