用于慢性阻塞性肺疾病多中心分类的迁移学习
计算机视觉与模式识别
2017-11-27 v2
摘要
慢性阻塞性肺疾病（COPD）是一种可利用胸部计算机断层扫描（CT）量化的肺部疾病。近期研究表明，COPD可通过强度与纹理分布的弱监督学习自动诊断。然而，迄今为止此类分类器仅在单一域的扫描上评估过，尚不清楚它们是否能跨域泛化，例如不同扫描仪或扫描协议。为解决这个问题，我们在一个多中心数据集上研究COPD分类，该数据集包含来自三个不同中心、四种不同扫描仪的共计803次扫描，且受试者分布异构。我们的方法基于高斯纹理特征和加权逻辑分类器，后者增加与测试数据相似样本的权重。我们表明高斯纹理特征优于先前用于多中心分类任务的强度特征。我们还表明，基于一个被训练用于区分不同域扫描的分类器的加权策略，可进一步改善结果。为鼓励对COPD分类迁移学习方法的进一步研究，论文被接收后我们将在 http://bigr.nl/research/projects/copd 发布本研究中使用的两个特征数据集。
引用
@article{arxiv.1701.05013,
title = {Transfer learning for multi-center classification of chronic obstructive pulmonary disease},
author = {Veronika Cheplygina and Isabel Pino Peña and Jesper Holst Pedersen and David A. Lynch and Lauge Sørensen and Marleen de Bruijne},
journal= {arXiv preprint arXiv:1701.05013},
year = {2017}
}
备注
Accepted at Journal of Biomedical and Health Informatics