面向肺结节多语义特征分类的不确定性多任务损失方法

肺结节的早期诊断对后续的治疗非常重要。 尽管深度学习方法在肺结节良恶性分类等任务中取得了良好的结果,但是这些方法没有提供有意义的诊断功能,导致获得的结果缺乏客观性。越来越多的研究者引入了肺结节的其他语义特征来解决这个问题,但是多个语义特征的引入会造成模型的负迁移。为了解决肺结节多个语义特征之间同步共享知识的程度不 同造成的负迁移问题。本文提出一种基于不确定性多任务损失的深度学习模型,对肺结节的9个语义特征(精细度,内部结构,钙化,球形度,边缘,分叶征,毛刺征,纹理,恶性程度)进行分类,通过每个任务的同质不确定性来权衡多个损失函数的权重。我们在基准数据集LIDC-IDRI上验证了该方法,本文提出的模型在恶性程度上的分类准确率为93.6%,ROC曲线下面积为95.5%,查全率为84.6%,特异性为94.5%。我们的模型通过肺结节多个语义特征共享知识的程度不同进而改变多个语义特征相对权重提高了恶性程度的分类性能。