强大的随机神经合奏学习与噪音标签用于胸部疾病分类

科学领域:

• 放射学 放射学是一门学科.
• 人工智能的人工智能
• 医疗成像医学成像

背景情况:

• 胸部X射线图对于诊断诸如肺炎之类的胸部疾病至关重要.
• 深度学习模型用于胸部疾病的计算机辅助诊断 (CADx) 被广泛使用.
• 深度学习模型的性能因现实世界放射学中常见的噪音标签而下降.

研究的目的:

• 开发一个强大的框架,通过胸部X射线诊断胸部疾病.
• 为了应对深度学习模型中噪音标签引起的性能下降的挑战.
• 提高计算机辅助诊断系统在临床实践中的可靠性.

主要方法:

• 提出了一个新的随机神经合体学习 (SNEL) 框架.
• 该方法涉及构建模型组合和设计噪声强大的损失函数.
• 开发了一种快速的神经元组合方法,同时收集跨实例和优化轨迹的参数.
• 设计了一种新的损失函数,优化了合唱团的强大和多样性指标.

主要成果:

• 与竞争方法相比,SNEL方法在三个公共胸部X射线数据集上表现出优越的性能.
• 实验结果验证了SNEL在从噪音标签中学习的有效性和稳定性.
• 拟议的框架成功地减轻了与注释偏差相关的性能退化.

结论:

• 该SNEL框架提供了一个强大的解决方案,用于胸部疾病诊断使用胸部X射线与噪音标签.
• 这种方法提高了基于深度学习的CADx系统在实践放射学中的可靠性.
• 这项研究强调了组合学习和噪声强大的损失函数在医学成像AI中的潜力.