【论文笔记】（二）CheXNet: Radiologist-Level Pneumonia Detection on Chest X-Rays with Deep Learning

论文名称：

CheXNet: Radiologist-Level Pneumonia Detection on Chest X-Rays
with Deep Learning

发表期刊：

arXiv，2017

作者：

Andrew Y. Ng

主要工作：

1. 提出121层的卷积神经网络CheXNet用于肺炎检测
2. 可视化，绘制肺炎的热图
3. 将模型微调，用于其他11种胸部疾病的检测

数据：

ChestX-ray14公开数据集，包含30805个病人在内的112120张前向胸部X光图像，分为包括肺炎在内的14类胸部疾病。将肺炎图像视为正类，其他十三类视为负类。
数据划分：
训练集：28744个病人（93.3%），98637张图像；
验证集：1672个病人（5.4%），6351张图像；
测试集：389个病人（1.3%），420张图像
预处理
1. 所有图片下采样为224×224；
2. 使用ImageNet训练集上的均值和方差进行标准化（normalize based on the mean and standard deviation of images in the ImageNet training set. ）
3. 数据增强：随机水平翻转
与放射科医生对比
四个放射科医生标注测试集，来源于斯坦福大学，工作经验分别为4,7,25和28年

模型架构和训练：

模型架构：
121层的DenseNet，使用ImageNet上的预训练模型

损失函数
加权二分类交叉熵

优化算法
Adam

性能对比：

这一部分是本文比较有意思的一个地方。

在测试集上，我们共获取了五个label（4个放射科医生和CheXNet）。
在衡量每一个label的性能的时候，我们将其他4个label作为groundtruth，使用F1值作为度量值。

这样的做法，其实就是在度量每一个label与其他四个label的匹配程度。如果某一个label的F1值较低，那么就是他和其他四个label的结果出入较大，由此判定这个模型或者专家的准确度较低。

最后，作者通过统计检验得出结论，CheXNet的性能显著优于放射科医生

实验的局限性：

1. 实验中只使用了正向的X光，然而，研究表明，如果使用背面的X光图片能够至少增加15%的准确度。因此，本文中的结果是相对保守的
2. 文章里没有第二点 =。=
3. 实验中都没有使用病人的病史资料，这也是对诊断有帮助的

扩展实验：

改变网络结构，将最后一个全连接层的输出改变为14，来实现14中胸部疾病的分类。实验结果表明，该网络的性能非常之好

可视化：

作者为了更好地解释神经网络，将测试图片的一部分进行了可视化。通过可视化我们能够获取一张与原始图像一样大小的heatmap，heatmap上值大的像素，表明对结果的贡献越大。具体关于如何进行可视化，可参见Learning Deep Features for Discriminative Localization