Core Concepts
Die Kernaussage dieses Artikels ist, dass eine neue Methode namens G-VGPMIL entwickelt wurde, die eine effizientere und leistungsfähigere Erkennung von intrakraniellen Blutungen aus Computertomographie-Aufnahmen ermöglicht als bisherige Ansätze.
Abstract
Der Artikel befasst sich mit der Anwendung von Multiple Instance Learning (MIL) zur Erkennung von intrakraniellen Blutungen (ICH) aus Computertomographie (CT)-Aufnahmen. MIL ist ein schwach überwachtes Lernparadigma, das sich gut für medizinische Bildgebung eignet, da es den Arbeitsaufwand der Radiologen zur Etikettierung der Daten reduziert.
Der Artikel führt zunächst in das MIL-Problem ein und erläutert, wie Gauß-Prozesse (GPs) dafür verwendet werden können. Dann wird eine neue Methode namens PG-VGPMIL vorgestellt, die auf P´
olya-Gamma-Zufallsvariablen basiert. Es wird gezeigt, dass PG-VGPMIL äquivalent zu dem bestehenden VGPMIL-Modell ist. Darauf aufbauend wird ein allgemeiner Inferenzrahmen ψ-VGPMIL entwickelt, der es ermöglicht, verschiedene Dichten ψ zu verwenden.
Als konkrete Realisierung dieses Rahmens wird schließlich G-VGPMIL eingeführt, das die Gamma-Verteilung anstelle der Hyperbolic Secant-Verteilung verwendet. Die Experimente zeigen, dass G-VGPMIL eine bessere Vorhersageleistung und Effizienz als der Stand der Technik erzielt, insbesondere bei der Erkennung von intrakraniellen Blutungen aus CT-Aufnahmen.
Stats
Die Datensätze RSNA und CQ500 enthalten insgesamt 233.067 CT-Schichten von 1.641 Patienten.
Es gibt 5.782 abnormale (positive) und 33.968 normale (negative) Schichten.
Auf Scanebene gibt es 688 abnormale (positive) und 953 normale (negative) Scans.
Quotes
"Multiple Instance Learning (MIL) ist ein schwach überwachtes Paradigma, das in vielen verschiedenen wissenschaftlichen Bereichen erfolgreich angewendet wurde und sich insbesondere gut für die medizinische Bildgebung eignet."
"Probabilistische MIL-Methoden, und insbesondere Gauß-Prozesse (GPs), haben aufgrund ihrer hohen Ausdrucksfähigkeit und Fähigkeit zur Quantifizierung von Unsicherheit hervorragende Ergebnisse erzielt."