基于磁共振波谱数据的脑肿瘤检测中的多示例学习
机器学习
2021-12-17 v1
摘要
我们将深度学习(DL)应用于磁共振波谱(MRS)数据以进行脑肿瘤检测任务。医学应用常受数据稀缺与噪声干扰之苦,这两个问题在我们的数据集中均十分突出。此外,不同患者可用的波谱数量各异。我们将该任务视为多示例学习(MIL)问题以应对这些挑战。具体而言,我们将同一患者的多个波谱聚合为一个“包”用于分类,并应用数据增强技术。为实现打包过程中的置换不变性,我们提出了两种方法:(1)对一个包内所有样本的特征施加最小、最大和平均池化;(2)应用注意力机制。我们在多种神经网络架构上测试了这两种方法。我们证明,相较于在单条波谱上训练,在多示例上训练显著提升了分类性能。我们提出了一种简单的过采样数据增强方法,并表明其可进一步提升性能。最后,我们证明根据大多数性能指标,我们所提出的模型优于神经放射科医生的手动分类。
引用
@article{arxiv.2112.08845,
title = {Multiple Instance Learning for Brain Tumor Detection from Magnetic Resonance Spectroscopy Data},
author = {Diyuan Lu and Gerhard Kurz and Nenad Polomac and Iskra Gacheva and Elke Hattingen and Jochen Triesch},
journal= {arXiv preprint arXiv:2112.08845},
year = {2021}
}