利用自动解码深度隐空间嵌入从主观评分中学习
计算机视觉与模式识别
2021-10-13 v3 人工智能
摘要
根据应用不同，放射学诊断可能伴随较高的评阅者间与评阅者内变异性。大多数计算机辅助诊断（CAD）方案将此类数据视为无可争议，使学习算法暴露于显著且可能矛盾的标签噪声与偏差中。因此，管理标签中的主观性是医学影像分析中的基本问题。为应对该挑战，我们引入自动解码深度隐空间嵌入（ADDLE），其利用自动解码器框架显式建模每位评阅者的倾向。经简单线性变换后，隐变量可在任意及多个位置注入任意主干网络，使模型能够考虑评阅者特定效应对诊断的影响。重要的是，ADDLE 在训练时并不要求每幅图像有多位评阅者，意味着它可直接从医院档案挖掘的数据中学习。此外，随着评阅者增多，ADDLE 的训练复杂度并不会增加。在推理时，可模拟每位评阅者并生成“平均”或“贪婪”虚拟评分。我们通过在 2D 超声（US）肝脂肪变诊断问题上收集 46 084 项研究及源自 65 位不同评阅者的临床 US 诊断来检验 ADDLE。我们使用带有金标准活检诊断的独立数据集评估诊断性能。ADDLE 可将重度脂肪变诊断的曲线下部分面积（AUCs）较标准分类器提升 10.5%，同时优于其他标注者噪声方法，包括那些需要 65 倍参数量的方法。
引用
@article{arxiv.2104.05570,
title = {Learning from Subjective Ratings Using Auto-Decoded Deep Latent Embeddings},
author = {Bowen Li and Xinping Ren and Ke Yan and Le Lu and Lingyun Huang and Guotong Xie and Jing Xiao and Dar-In Tai and Adam P. Harrison},
journal= {arXiv preprint arXiv:2104.05570},
year = {2021}
}
备注
Main body includes 10 pages and 3 figures