多标签本地到全球学习:胸部X射线异常分类的新型学习范式

科学领域:

• 人工智能的人工智能
• 医疗成像医学成像
• 计算机辅助诊断 计算机辅助诊断

背景情况:

• 深度神经网络 (DNN) 在胸部X射线分类方面表现出色,但通常同时训练所有异常.
• 由于异常的复杂性不同,现有的课程学习方法可能不是最佳的疾病诊断.

研究的目的:

• 提出一个新的课程学习范式,多标签本地到全球 (ML-LGL),以改进多标签胸部X射线分类.
• 通过结合临床知识来加强DNN培训,以优先考虑异常.

主要方法:

• 在ML-LGL方法中,DNN在逐渐复杂的异常上进行代训练,从较少的 (本地) 到更多 (全球) 的异常开始.
• 异常优先级是使用三个新的临床知识杆选择函数来确定的.
• 在策划图像集的训练中使用动态损失函数.

主要成果:

• 与PLCO,胸部X射线14和CheXpert数据集的基线方法相比,ML-LGL范式显示出更高的性能.
• 该方法取得的结果与最先进的技术相美.
• 在DNN模型训练期间,ML-LGL显示出更好的初始稳定性.

结论:

• 拟议的ML-LGL课程学习策略为多标签胸部X射线分类提供了一个有希望的进步.
• 这种方法在增强放射科医生的自动诊断工具方面具有潜在的应用.