论文阅读笔记：DeepRadiologyNet: Radiologist Level Pathology Detection in CT Head Images

简述

DeepRadiologyNet: Radiologist Level Pathology Detection in CT Head Images

，深度放射科医学网络：基于放射医生或研究者水平的CT脑部头像的病理检测。该篇论文实现对CT脑部图像进行检测，自动检测出疾病。

模型

数据集

训练集约350万CT脑部图像，定义了约30个可观测的较严重的疾病标签。

测试集约480万CT脑部图像，且与训练集图像不相交。

网络架构

公式

输入

训练集图片数量为N，图片宽度m，高度n，通道为L(L张不同灰度值的图片)。

X=N∗m∗n∗L

标签

标签共K个，分别为0，1，2，…，K-1。

Y={0,1,2,...,K−1}

分类概率判别式

ϕω(x)[k]表示输入x在参数ω下输出y=k的概率，即该图片属于某一类的概率。

ϕω(x)[k]=P(y=k|x)

分类函数

f(x)作用是找到K个ϕω(x)[k]中最大概率的值k，即该图片属于哪一类。

f:X→Y;x→y

f(x)=argmaxkϕω(x)[k]

损失函数

ω̂ 为损失函数，累加计算l(xi,yi)得到。ϕω(xi)[yi]表示图片xi属于标签yi的概率。

l(xi,yi)=−logϕω(xi)[yi]

ω̂ =argmin∑(xi,yi)∼P(x,y)lω(xi,yi)

技术

DeepRadiologyNet采用技术

卷积神经网络采用类似GoogleNet的神经网络，每次训练时参数随机初始化，且训练集顺序随机打乱。损失函数loss采用多样的如Hinge loss、Soft-max logistic loss和Hierarchical loss。梯度更新采用Adam optimization 和Stochastic gradient descent with momentum（随机动量梯度下降）。

Data Annotation(数据标注)

训练集数据标签由放射医学专家标注，考虑到数据集的规模太大，采用了相关数据库技术。(详细未知)

总结

这篇论文采用的是常规的经典的图像分类方法，但是数据集很大，从不同渠道获取，较麻烦，但是系统表现良好，网络架构也较容易理解。Hierarchical loss目前不太理解，等请教导师后再补充。