用于不确定肺结节学习的元序数回归森林
计算机视觉与模式识别
2021-01-28 v1
摘要
基于深度学习的方法在肺结节早期检测与分类中取得了良好性能，其中大多数方法丢弃不确定结节，仅将其作为良恶性二分类问题处理。近来，一种不确定数据模型（UDM）通过将此问题建模为序数回归来纳入那些不确定结节，展现出优于传统二分类的性能。为进一步挖掘肺结节分类中的序数关系，本文提出一种元序数回归森林（MORF），其在三个主要方面改进了当前最优的序数回归方法——深度序数回归森林（DORF）。首先，MORF可通过充分利用深度特征来缓解预测偏差，而DORF需在训练前固定决策树的组成。其次，MORF具有新颖的分组特征选择（GFS）模块以对决策树分裂节点重采样。最后，结合GFS，MORF配备基于元学习的加权方案，将GFS选择的特征映射为树级权重，而DORF为所有树分配相等权重。在LIDC-IDRI数据集上的实验结果表明，其性能优于现有方法，包括当前最优的DORF。
引用
@article{arxiv.2012.03480,
title = {Meta Ordinal Regression Forest For Learning with Unsure Lung Nodules},
author = {Yiming Lei and Haiping Zhu and Junping Zhang and Hongming Shan},
journal= {arXiv preprint arXiv:2012.03480},
year = {2021}
}