GraphX$^{NET}-$ Brust-Röntgenklassifizierung bei extrem geringer Überwachung

Die Klassifizierung von Röntgendaten ist ein Problem sowohl theoretischen als auch klinischen Interesses. Obwohl überwachte Deep-Learning-Methoden auf großen Mengen an etikettierten Daten basieren, bleibt das kritische Problem der Erreichung einer guten Klassifikationsgenauigkeit bei extrem geringen Mengen an etikettierten Daten bisher ungelöst. In dieser Arbeit stellen wir einen neuen semi-überwachten Ansatz für die Klassifizierung von Röntgendaten vor, der auf einem graphbasierten Optimierungsmodell beruht. Nach bestem Wissen ist dies die erste Methode, die graphbasiertes semi-überwachtes Lernen für die Klassifizierung von Röntgendaten nutzt. Darüber hinaus führen wir eine neue multi-class classification functional (Mehrklassen-Klassifikationsfunktion) mit sorgfältig ausgewählten Klassenpriors ein, die es ermöglicht, eine glatte Lösung zu erzielen, die die Synergie zwischen der begrenzten Anzahl von Etiketten und den großen Mengen an unetikettierten Daten verstärkt. Durch eine Reihe numerischer und visueller Experimente zeigen wir, dass unsere Methode hochwettbewerbsfähige Ergebnisse auf dem ChestX-ray14-Datensatz liefert, während sie gleichzeitig den Bedarf an annotierten Daten drastisch reduziert.