利用协同深度学习进行医学图像分类
0 Abstract
医学图像分类在计算机辅助诊断、医学图像检索和医学图像挖掘中是一个非常重要的任务。尽管深度学习相对于传统的手工标注特征的方法有明显的优势，但是因为成像方式和临床病理造成的类内差异和类间相似性，它仍然面临挑战。本文我们提出了一个协同深度学习模型去处理这个问题。通过同时使用多个深度卷积神经网络（DCNNs），并且这多个深度神经网络可以互相学习。每对深度卷积神经网络（DCNNs）都将他们学习到的图像表示连接起来，作为协同网络的输入。协同神经网络有一个全连接结构，用于预测输入的图像对，是否为同一类。如果一个DCNN进行了正确分类，另一个DCNN犯下的错误会导致一个协同错误，从而产生更新模型的额外动力。在DCNNs分类错误和每对DCNNs的协同错误的监督下，该模型可以进行端到端的训练。我们在我们在ImageCLEF-2015、ImageCLEF-2016、ISIC-2016和ISIC-2017数据集上的实验结果表明，本文提出的SDL模型在这些医学图像分类任务中，取得了最好的性能。
1 Introduction
- 数字化医学影像在现代医疗中的重要意义，使得医学影像在临床病理中发挥着不可或缺的地位。医学图像分类是医学图像分析的一个重要步骤，其目的是根据一定的标准（例如临床病理和影像）来区分医疗图像。一个可靠的医学图像分类系统可以快速准确的帮助医生解释医疗图像。（总结：医学图像分类对于医学图像分析很重要）
- 在过去的十年里，医学图像分类得到了深入地研究，有大量的解决方案，他们大多数基于手工标注特征。尽管这些方法取得了成功，但是通常很难设计出适用特定分类任务的手工特征。最近几年，深度学习技术，尤其是深度卷积神经网络（DCNN）在医学图像分类和医学图像分割领域取得了重大突破。然而，这些方法比基于手工特征的方法要准确，但是在医学图像分类这方面，并没有取得同样的成功（手工更准确一些），正如( Deng et al., 2009; Krizhevsky et al., 2012 )在ImageNet挑战中一样。性能不佳的原因有两