用于胸部 X 射线分类的多损失集成深度学习
图像与视频处理
2021-11-16 v3 计算机视觉与模式识别
机器学习
摘要
医学图像通常表现出多种异常。预测这些异常需要多类分类器，其训练和期望的可靠性能会受到多种因素组合的影响，例如数据集大小、数据源、分布以及用于训练深度神经网络的损失函数。目前，交叉熵损失仍然是训练深度学习分类器的事实上的损失函数。然而，该损失函数假定所有类别具有同等的学习能力，导致偏向多数类。在本工作中，我们对适用于多类分类的各种 SOTA 损失函数进行基准测试，批判性地分析模型性能，并提出改进的损失函数。我们选择了一个儿科胸部 X 射线（CXR）数据集，其中包含无异常（正常）的图像，以及表现出与细菌性和病毒性肺炎一致征象的图像。我们分别构建了预测级和模型级集成，以提高分类性能。结果表明，与单个模型和 SOTA 文献相比，top-3 和 top-5 模型级集成的预测加权平均在 MCC（0.9068，95% 置信区间 (0.8839, 0.9297)）指标上提供了显著优越的分类性能（p < 0.05）。最后，我们进行了定位研究以解释模型行为，从而可视化并确认单个模型和集成学习到了有意义的特征并突出了疾病表现。
引用
@article{arxiv.2109.14433,
title = {Multi-loss ensemble deep learning for chest X-ray classification},
author = {Sivaramakrishnan Rajaraman and Ghada Zamzmi and Sameer Antani},
journal= {arXiv preprint arXiv:2109.14433},
year = {2021}
}
备注
27 pages, 6 figures, 5 tables