关于CT图像深度神经网络多类别分类模型对图像噪声的鲁棒性的实验与数值研究
摘要：深度神经网络（DNNs）的健壮性是考虑其临床应用的重要方面。本研究通过全面的实验和模拟研究，研究了基于DNN的多类分类模型的健壮性问题。我们构建了一个基于DNN的多类分类模型，将轴向CT图像分类为脑和颈部（BN）、胸部（C）、腹部和盆腔（AP）以及腿部和脚（LF）四个身体部位之一。该模型使用37名患者的全身CT图像进行训练，每个患者扫描一次，以及10个全身模型的不同mAs水平下的扫描结果，以在测试数据集上实现四类的平均F1得分为99.7％。我们使用基于噪声功率谱（NPS）的模拟CT噪声图像和橙色人体模型重复扫描获得的实验CT图像，评估了模型对不同mAs水平下噪声扰动的健壮性。为了量化训练模型的健壮性，我们定义了成功攻击率（SAR），即噪声影响下的预测结果变化的比例，以及用于衡量健壮性的混淆矩阵（CMR），表示在噪声下将无噪声预测结果预测为不同类别的百分比。此外，我们使用完全相同的训练过程、超参数设置以及训练和验证数据集对模型进行了100次重复训练，以研究由于训练过程中的固有随机性而导致的模型的健壮性。最后，为了提高模型的健壮性，我们采用了自适应训练方案并证明了其有效性。实验和数值研究表明了基于DNN的多类分类模型的健壮性问题。这些发现强调了评估和确保DNN模型的健壮性的需求。
作者：Yuting Peng, Chenyang Shen, Yesenia Gonzalez, Yin Gao and Xun Jia
论文ID：2303.02466
分类：Medical Physics
分类简称：physics.med-ph
提交时间：2023-03-07