通过带拒绝模块的顶级学习增强医疗图像诊断的可靠性.pdfVIP

通过带拒绝模块的顶级学习增强医疗图像诊断

的可靠性

XiaotongJiRyomaBiseSeiichiUchida

KyushuUniversityKyushuUniversityKyushuUniversity

Fukuoka,JapanFukuoka,JapanFukuoka,Japan

摘要PositiveAbsolutepositiveareaRankingcontour

NegativeTop-rankednegativeRankingdirection

在医学图像处理中，准确的诊断至关重要。利

用机器学习技术，特别是顶级排名学习，在关注最

关键实例方面显示出巨大的潜力。然而，来自标签

本噪声和类别模糊实例的挑战可能会严重阻碍顶级排

名目标的实现，因为这些实例可能被错误地放置在

译顶级排名实例之中。为了解决这些问题，我们提出

中了一种新的方法，通过集成一个拒绝模块来增强顶

1级排名学习。与顶级排名损失共同优化，该模块可(a)Top-rankfunction(b)Top-rank

voptimizedinthefunctionappliedin

8以识别并减轻妨碍训练效果的异常值的影响。拒绝trainingsetthetestset

2

模块作为一个额外分支运作，根据评估其实例偏离

5Limited

7标准程度的拒绝函数进行评估。通过对医学数据集Top-rankedabsolute

0negative(outlier)positives

.的实验验证，我们的方法证明了其在检测和缓解异

8

0常值方面的有效性，提高了医学图像诊断的可靠性

51

2和准确性。

:

v

i1介绍

x

r

a(c)Top-rankfunctionoptimizedin(d)Top-rank

医学图像处理的主要目标是确保可靠的预测，thetrainingset(withanoutlierfunctionappliedin

特别是通过最大化检测所有相关目标（如病理状况onlyexistsinthetrainingset)thetestset

或疾病[1]）。为了优化这一点，顶级排名学习[2,3]图1.此图说明了训练过程中离群值的存在如

作为一种有前景的方法应运而生。它专注于在排名何导致排名最高的负样本主导排名表面，从而

中最大限度地提高可靠阳性样本的数量，从而减少在测试时无法识别绝对正样本。(a)和(b)分别

医疗保健从业者在识别显而易见病例时所需的手动表示没有离群值的训练和测试阶段，而(c)和

劳动负担。本质上，顶级排名学习学会了一个排名(d)表示存在离群值的情况下相同的阶段。

函数，该函数最大化了“绝对阳性”的数量，即排名

高于最高排名的阴性样