用于假阳性削减的多阶段单侧分类器神经网络及其在肺部X射线CT图像上的评估
计算机视觉与模式识别
2017-03-22 v3
摘要
肺结节分类是一个类不平衡问题，因为结节被发现频率远低于非结节。在类不平衡问题中，传统分类器往往被多数类淹没而忽略少数类。因此我们提出级联卷积神经网络以应对类不平衡问题。在所提方法中，作为单侧分类器工作的多阶段卷积神经网络滤除明显的非结节。随后，一个用平衡数据集训练的卷积神经网络计算结节概率。所提方法在自由接收者操作特征(FROC)曲线分析中，分别在每次扫描4个和8个假阳性下达到了 92.4\% 和 94.5% 的灵敏度。
引用
@article{arxiv.1703.00311,
title = {Multi-stage Neural Networks with Single-sided Classifiers for False Positive Reduction and its Evaluation using Lung X-ray CT Images},
author = {Masaharu Sakamoto and Hiroki Nakano and Kun Zhao and Taro Sekiyama},
journal= {arXiv preprint arXiv:1703.00311},
year = {2017}
}
备注
arXiv admin note: text overlap with arXiv:1611.07136