用于半监督乳腺肿块分类的虚拟对抗训练
计算机视觉与模式识别
2022-01-27 v1 人工智能
图像与视频处理
信号处理
摘要
本研究旨在利用半监督学习开发一种用于乳腺 X 线摄影乳腺肿块分类的新型计算机辅助诊断(CAD)方案。尽管监督式深度学习已在各类医学图像分析任务中取得巨大成功，但其成功依赖于大量高质量标注，而这在实践中难以获取。为克服该限制，我们提出采用一种半监督方法，即虚拟对抗训练(VAT)，来利用并学习未标注数据中潜在的有用信息，以更好地分类乳腺肿块。相应地，我们基于 VAT 的模型具有两类损失：监督损失与虚拟对抗损失。前者作用如同监督分类，后者旨在增强模型对虚拟对抗扰动的鲁棒性，从而提升模型泛化能力。为评估我们基于 VAT 的 CAD 方案性能，我们回顾性收集了共计 1024 张乳腺肿块图像，良恶性肿块数量相等。本研究使用了一个大型 CNN 和一个小型 CNN，两者均在有无对抗损失下进行了训练。当标注比例分别为 40% 和 80% 时，基于 VAT 的 CNN 分别取得了 0.740 和 0.760 的最高分类准确率。实验结果表明，基于 VAT 的 CAD 方案能有效利用未标注数据中的有意义知识来更好地分类乳腺 X 线摄影乳腺肿块图像。
引用
@article{arxiv.2201.10675,
title = {Virtual Adversarial Training for Semi-supervised Breast Mass Classification},
author = {Xuxin Chen and Ximin Wang and Ke Zhang and Kar-Ming Fung and Theresa C. Thai and Kathleen Moore and Robert S. Mannel and Hong Liu and Bin Zheng and Yuchen Qiu},
journal= {arXiv preprint arXiv:2201.10675},
year = {2022}
}
备注
To appear in the conference Biophotonics and Immune Responses of SPIE