基于噪声标签的胸部 X 光异常分类多任务学习
计算机视觉与模式识别
2019-05-17 v1 机器学习
摘要
胸部 X 光（CXR）是日常临床实践中为诊断各种心脏和肺部异常而进行的最常见的 X 光检查。待读取和报告的数据量巨大，单一放射科医生每天需处理 100+ 项检查，这对保持持续的高解读准确性提出了挑战。在这项工作中，我们提出了一种基于人体 CXR 扫描对不同异常进行分类的方法。该系统基于一种新颖的多任务深度学习架构，除异常分类外，还支持肺部与心脏的分割以及异常所在区域的分类。我们证明，通过并发训练这些任务，可以提升模型的分类性能。实验在来自 86,876 名患者的 297,541 张胸部 X 光图像的广泛集合上进行，在 12 种不同异常上取得了平均 0.883 AUC 的当前最优性能水平。我们还进行了详细的性能分析，并将我们的系统与 3 名获委员会认证的放射科医生进行了准确性比较。在此背景下，我们强调了该问题固有的高水平标签噪声。在一个仅包含基于 3 名放射科医生共识的高置信度参考标签病例的精简子集上，我们的系统达到了平均 0.945 的 AUC。
引用
@article{arxiv.1905.06362,
title = {Multi-task Learning for Chest X-ray Abnormality Classification on Noisy Labels},
author = {Sebastian Guendel and Florin C. Ghesu and Sasa Grbic and Eli Gibson and Bogdan Georgescu and Andreas Maier and Dorin Comaniciu},
journal= {arXiv preprint arXiv:1905.06362},
year = {2019}
}