Despite the successes of deep learning techniques at detecting objects in medical images, false positive detections occur which may hinder an accurate diagnosis. We propose a technique to reduce false positive detections made by a neural network using an SVM classifier trained with features derived from the uncertainty map of the neural network prediction. We demonstrate the effectiveness of this method for the detection of liver lesions on a dataset of abdominal MR images. We find that the use of a dropout rate of 0.5 produces the least number of false positives in the neural network predictions and the trained classifier filters out approximately 90% of these false positives detections in the test-set.


翻译:尽管在探测医学图像中的物体方面取得了深层次学习技术的成功,但假阳性检测仍会发生,这可能会妨碍准确诊断。我们建议采用一种技术来减少神经网络使用SVM分类器进行的假阳性检测,该分类器经过培训,其特征来自神经网络预测的不确定地图。我们证明这种方法在检测腹部MR图像数据集中的肝脏损伤方面的有效性。我们发现,在神经网络预测和经过培训的分类器过滤器中,使用0.5的辍学率产生了最少的假阳性,测试集中大约90%的假阳性检测结果。

0
下载
关闭预览

相关内容

【PKDD2020教程】可解释人工智能XAI:算法到应用,200页ppt
专知会员服务
100+阅读 · 2020年10月13日
专知会员服务
124+阅读 · 2020年8月7日
Linux导论,Introduction to Linux,96页ppt
专知会员服务
77+阅读 · 2020年7月26日
【新书】Python编程基础,669页pdf
专知会员服务
194+阅读 · 2019年10月10日
已删除
将门创投
5+阅读 · 2018年6月7日
动手写机器学习算法:异常检测 Anomaly Detection
七月在线实验室
11+阅读 · 2017年12月8日
Loss Estimators Improve Model Generalization
Arxiv
0+阅读 · 2021年3月5日
Object detection on aerial imagery using CenterNet
Arxiv
6+阅读 · 2019年8月22日
Augmentation for small object detection
Arxiv
11+阅读 · 2019年2月19日
VIP会员
相关资讯
已删除
将门创投
5+阅读 · 2018年6月7日
动手写机器学习算法:异常检测 Anomaly Detection
七月在线实验室
11+阅读 · 2017年12月8日
Top
微信扫码咨询专知VIP会员