用于胸部疾病分类的低秩特征学习
计算机视觉与模式识别
2024-05-01 v1 机器学习
摘要
深度神经网络，包括卷积神经网络（CNNs）和视觉转换器（ViT），在医学图像领域取得了惊人的成功。我们研究胸部疾病分类。有效提取疾病区域的特征对于诊断放射图像上的疾病分类至关重要。虽然已就疾病分类在放射图像上采用了各种神经网络结构和训练技术（如对比学习和恢复学习的自监督学习），但尚无原则方法能够有效减少噪声、背景或非疾病区域对放射图像疾病分类的不利影响。为解决这一挑战，本文提出一种新颖的低秩特征学习（LRFL）方法，适用于所有神经网络的训练。LRFL 方法受我们在本文所述所有医学数据集中观察到的低频特性的经验性启发，以及我们对低秩特征神经网络的尖锐泛化界限的理论性启发。在经验研究中，使用如 ViT 或 CNN 的神经网络，这些网络已通过掩码自编码器（MAE）在无标签胸片上进行预训练，我们的新型 LRFL 方法被应用于预训练神经网络，并在以多类受试者工作曲线下面积（mAUC）和分类准确率为衡量标准方面显示出更好的分类结果。
引用
@article{arxiv.2404.18933,
title = {Learning Low-Rank Feature for Thorax Disease Classification},
author = {Rajeev Goel and Utkarsh Nath and Yancheng Wang and Alvin C. Silva and Teresa Wu and Yingzhen Yang},
journal= {arXiv preprint arXiv:2404.18933},
year = {2024}
}