Effizientes, erklärbares und diskriminatives Lernen von Repräsentationen für die Klassifizierung pulmonaler Knötchen

Die automatische Klassifizierung von Lungenknoten ist für die Früherkennung von Lungenkrebs von großer Bedeutung. In jüngerer Zeit haben tiefes Lernen-Techniken erhebliche Fortschritte in diesem Bereich ermöglicht. Diese tiefen Modelle sind jedoch in der Regel rechenaufwendig und arbeiten auf Black-Box-Basis. Um diesen Herausforderungen entgegenzutreten, zielt diese Arbeit darauf ab, ein effizientes und (teilweise) erklärenbares Klassifikationsmodell zu entwickeln. Insbesondere verwenden wir \emph{Neural Architecture Search} (NAS), um automatisch 3D-Netzwerkarchitekturen mit einem ausgezeichneten Genauigkeit/Geschwindigkeit-Kompromiss zu suchen. Darüber hinaina setzten wir in den Netzwerken das Convolutional Block Attention Modul (CBAM) ein, was uns hilft, den Schließungsprozess zu verstehen. Während des Trainings lernen wir durch Verwendung des A-Softmax-Verlusts winkelbasierte diskriminative Repräsentationen. Im Inferenzstadium verwenden wir eine Vielzahl von neuronalen Netzen als Ensemble, um die Vorhersagegenauigkeit und -robustheit zu verbessern. Wir führen umfangreiche Experimente auf der LIDC-IDRI-Datenbank durch. Verglichen mit früheren Stand der Technik, zeigt unser Modell eine vergleichbare Leistung bei weniger als 1/40 der Parameterzahl. Zudem zeigt eine empirische Studie, dass der Schließungsprozess der gelernten Netzwerke mit der Diagnose von Ärzten übereinstimmt. Der zugehörige Code und die Ergebnisse wurden veröffentlicht unter: https://github.com/fei-hdu/NAS-Lung.请注意，我已将“Früherkennung”用于早期诊断，“winkelbasierte diskriminative Repräsentationen”用于角度判别表示，以及“Schließungsprozess”用于推理过程。这些术语在德语中是常见的科技或医学术语。如果您有其他偏好或需要进一步调整，请告知。