A novel adversarial learning strategy for medical image classification

要約

ディープラーニング（DL）技術は、医用画像の分類に広く利用されています。
ほとんどのDLベースの分類ネットワークは、一般に階層的に構造化されており、ネットワークの最後で測定される単一の損失関数を最小化することで最適化されます。
ただし、このような単一の損失設計は、関心のある1つの特定の値の最適化につながる可能性がありますが、分類パフォーマンスに利益をもたらし、過剰適合のリスクを減らす可能性のある中間層からの有益な機能を活用できません。
最近、補助畳み込みニューラルネットワーク（AuxCNN）が従来の分類ネットワークに加えて採用され、分類のパフォーマンスと堅牢性を向上させるための中間層のトレーニングが容易になりました。
この研究では、医用画像分類のための深層ニューラルネットワークのトレーニングをサポートするために、敵対的な学習ベースのAuxCNNを提案しました。
AuxCNN分類フレームワークでは、2つの主要なイノベーションが採用されました。
まず、提案されたAuxCNNアーキテクチャには、生成的敵対的ネットワーク（GAN）の概念とターゲットデータ分布を近似するその優れた能力に動機付けられた、医療画像分類のためのより有益な画像特徴を抽出するための画像ジェネレータと画像弁別器が含まれます。
次に、ハイブリッド損失関数は、分類ネットワークとAuxCNNのさまざまな目的を組み込んで過剰適合を減らすことにより、モデルのトレーニングをガイドするように設計されています。
包括的な実験的研究により、提案されたモデルの優れた分類性能が実証されました。
分類パフォーマンスに対するネットワーク関連の要因の影響を調査しました。

要約(オリジナル)

Deep learning (DL) techniques have been extensively utilized for medical image classification. Most DL-based classification networks are generally structured hierarchically and optimized through the minimization of a single loss function measured at the end of the networks. However, such a single loss design could potentially lead to optimization of one specific value of interest but fail to leverage informative features from intermediate layers that might benefit classification performance and reduce the risk of overfitting. Recently, auxiliary convolutional neural networks (AuxCNNs) have been employed on top of traditional classification networks to facilitate the training of intermediate layers to improve classification performance and robustness. In this study, we proposed an adversarial learning-based AuxCNN to support the training of deep neural networks for medical image classification. Two main innovations were adopted in our AuxCNN classification framework. First, the proposed AuxCNN architecture includes an image generator and an image discriminator for extracting more informative image features for medical image classification, motivated by the concept of generative adversarial network (GAN) and its impressive ability in approximating target data distribution. Second, a hybrid loss function is designed to guide the model training by incorporating different objectives of the classification network and AuxCNN to reduce overfitting. Comprehensive experimental studies demonstrated the superior classification performance of the proposed model. The effect of the network-related factors on classification performance was investigated.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google