利用新概念“顺序微调”优化支气管镜中肺部疾病的迁移学习
计算机视觉与模式识别
2018-02-13 v1
摘要
作为放射影像学的随访程序，支气管镜检查在肺部疾病诊断与确定患者治疗方案中起着关键作用。医生在执行支气管镜时需要及时决定是否对患者进行活检。然而，医生也必须对活检非常有选择性，因为活检可能导致肺组织不可控出血而危及生命。为帮助医生在活检上更具选择性并提供诊断的第二意见，本工作中我们提出一个针对包括癌症与结核病（TB）在内的肺部疾病的计算机辅助诊断（CAD）系统。该系统基于迁移学习开发。我们提出一种新颖的迁移学习方法：顺序微调（sentential fine-tuning）。相比传统微调方法，我们的方法取得了最佳性能。我们在包含 81 例正常、76 例结核与 277 例肺癌的数据集上获得了 77.0% 的总体准确率，而其他传统迁移学习方法准确率为 73% 与 68%。我们的方法对癌症、结核与正常病例的检测准确率分别为 87%、54% 与 91%。这表明该 CAD 系统有潜力提高支气管镜中肺部疾病诊断准确率，并可能用于使活检更具选择性。
引用
@article{arxiv.1802.03617,
title = {Optimize transfer learning for lung diseases in bronchoscopy using a new concept: sequential fine-tuning},
author = {Tao Tan and Zhang Li and Haixia Liu and Ping Liu and Wenfang Tang and Hui Li and Yue Sun and Yusheng Yan and Keyu Li and Tao Xu and Shanshan Wan and Ke Lou and Jun Xu and Huiming Ying and Quchang Ouyang and Yuling Tang and Zheyu Hu and Qiang Li},
journal= {arXiv preprint arXiv:1802.03617},
year = {2018}
}