用于识别医学影像数据集中坏数据的半监督孪生网络
计算机视觉与模式识别
2021-08-17 v1 机器学习
摘要
医学影像数据集中存在的噪声数据通常有助于开发具备处理真实世界数据能力的鲁棒模型。然而，如果坏数据包含的解剖信息不足，则会对模型性能产生严重的负面影响。我们提出了一种使用半监督孪生网络识别坏数据的新方法。该方法仅需一小池由非专家人工审核的“参考”医学图像，以确保主要解剖结构出现在视野（Field of View）中。模型在该参考集上训练，并通过使用孪生网络计算参考集与数据集中所有其他医学图像之间的距离来识别坏数据。该方法在识别坏数据方面达到了 0.989 的曲线下面积（AUC）。代码将在 https://git.io/JYFuV 提供。
引用
@article{arxiv.2108.07130,
title = {Semi-Supervised Siamese Network for Identifying Bad Data in Medical Imaging Datasets},
author = {Niamh Belton and Aonghus Lawlor and Kathleen M. Curran},
journal= {arXiv preprint arXiv:2108.07130},
year = {2021}
}