面向可靠肺癌检测模型校准的特定任务正则化损失
图像与视频处理
2024-01-23 v1 计算机视觉与模式识别
机器学习
摘要
肺癌是全球癌症相关死亡的重要原因之一。早期发现和治疗可提高生存率。传统上，CT 扫描被用于提取最重要的肺部感染信息并诊断癌症。该过程由专家放射科医师手动完成。在印度等国家，放射科医师与人口比例的不平衡意味着他们面临巨大的工作压力，因此需要将其部分职责自动化。现代深度神经网络做出过度自信错误的倾向限制了其在癌症检测中的应用。在本文中，我们提出了一种新的特定任务损失函数来校准神经网络，以降低过度自信错误的风险。我们使用最先进的多类置信度与准确性差异损失结合所提出的特定任务损失函数来实现这一目标。我们还在训练时校准模型的基础上执行温度缩放，以集成事后校准。与表现最佳的 SOTA 算法相比，我们证明了预期校准误差降低了 5.98%，最大校准误差降低了 17.9%。
引用
@article{arxiv.2401.11464,
title = {Task-specific regularization loss towards model calibration for reliable lung cancer detection},
author = {Mehar Prateek Kalra and Mansi Singhal and Rohan Raju Dhanakashirur},
journal= {arXiv preprint arXiv:2401.11464},
year = {2024}
}