一种新型自适应混合焦点-熵损失用于提高卷积神经网络中的糖尿病视网膜病变检测
图像与视频处理
2025-04-24 v2 人工智能
计算机视觉与模式识别
机器学习
摘要
糖尿病视网膜病变是全球范围内导致失明的主要原因，亟需精准的AI诊断工具。多类分类中的传统损失函数，如类别交叉熵（CCE），非常常见，但在类别不平衡的情况下会失效，尤其是针对那些本身具有挑战性或重叠的类别，导致模型偏差且不够灵敏。由于高危阶段4的糖尿病视网膜病变等类别的样本数量远大于早期阶段（如类别0）的样本，实现类别平衡至关重要。为此，我们提出了自适应混合焦点-熵损失（AHFE），它结合了焦点损失和熵损失的思想，并采用自适应加权，以聚焦少数类并突出具有挑战性的样本。应用AHFE的先进模型在糖尿病视网膜病变检测中表现出良好的性能提升，显示ResNet50达到99.79%，DenseNet121达到98.86%，Xception达到98.92%，MobileNetV2达到97.84%，InceptionV3达到93.62%的准确率。这为AHFE在复杂不平衡医疗数据集上促进AI驱动诊断的提升指明了方向。
引用
@article{arxiv.2411.10843,
title = {A Novel Adaptive Hybrid Focal-Entropy Loss for Enhancing Diabetic Retinopathy Detection Using Convolutional Neural Networks},
author = {Santhosh Malarvannan and Pandiyaraju V and Shravan Venkatraman and Abeshek A and Priyadarshini B and Kannan A},
journal= {arXiv preprint arXiv:2411.10843},
year = {2025}
}
备注
7 pages,7 figures