用于胸部疾病识别的多对一分布学习与 K 近邻平滑
计算机视觉与模式识别
2021-03-01 v1
摘要
胸部 X 光片是一种重要且可及的临床影像工具,用于检测多种胸部疾病。在过去十年中,以卷积神经网络(CNN)为核心的深度学习已成为提升疾病识别性能最强大的计算机辅助诊断技术。然而,训练一个有效且鲁棒的深度 CNN 通常需要大量高质量标注数据。对于胸部 X 光成像,标注大规模数据需要专业领域知识且耗时。因此,现有公共胸部 X 光数据集通常采用基于语言模式的方法从报告中自动挖掘标签。但这导致了标签的不确定性与不一致性。本文从两个角度提出多对一分布学习(MODL)与 K 近邻平滑(KNNS)方法,以提升单一模型的疾病识别性能,而非聚焦于模型集成。MODL 集成多个模型获得软标签分布以优化单一目标模型,从而减轻原始标签不确定性的影响。此外,KNNS 旨在增强目标模型的鲁棒性,以对具有相似医学发现的图像提供一致预测。在公共 NIH Chest X-ray 和 CheXpert 数据集上的大量实验表明,我们的模型相比最先进方法取得了稳定提升。
引用
@article{arxiv.2102.13269,
title = {Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for Thoracic Disease Identification},
author = {Yi Zhou and Lei Huang and Tianfei Zhou and Ling Shao},
journal= {arXiv preprint arXiv:2102.13269},
year = {2021}
}
备注
Accepted to AAAI2021