基于噪声标签的鲁棒分类：融合额外知识用于胸片异常评估
计算机视觉与模式识别
2021-04-22 v3 人工智能
摘要
胸部放射摄影是日常临床实践中为检测各类心肺异常而进行的最常见放射检查。单个放射科医生每日需读取和报告超过 100 项检查的大量数据，对持续保持高解读准确性提出了挑战。大规模公开数据集的引入催生了一系列用于自动化异常分类的新系统。然而，这些数据集的标签是通过自然语言处理的医学报告获得的，产生了大量标签噪声，可能影响性能。在本研究中，我们提出了处理此类次优数据标签噪声的新训练策略。先验标签概率由 4 名认证放射科医生重新读取的训练数据子集测得，并在训练中使用以增强训练模型对标签噪声的鲁棒性。此外，我们利用胸部放射摄影中观察到的异常高共病性并融入该信息以进一步降低标签噪声的影响。另外，通过训练系统预测肺和心脏分割以及空间知识标签，融入了解剖学知识。为应对来自应用不同后处理技术的多种扫描仪的多数据集与图像，我们引入了一种新的图像归一化策略。实验在来自 86,876 名患者的 297,541 张胸片的广泛收集上完成，针对来自 2 个数据集的 17 种异常达到了最先进的性能水平。在所有异常上平均 AUC 分数为 0.880，我们提出的训练策略可显著用于提升性能分数。
引用
@article{arxiv.2104.05261,
title = {Robust Classification from Noisy Labels: Integrating Additional Knowledge for Chest Radiography Abnormality Assessment},
author = {Sebastian Gündel and Arnaud A. A. Setio and Florin C. Ghesu and Sasa Grbic and Bogdan Georgescu and Andreas Maier and Dorin Comaniciu},
journal= {arXiv preprint arXiv:2104.05261},
year = {2021}
}
备注
Accepted in Medical Image Analysis (MedIA). arXiv admin note: text overlap with arXiv:1905.06362