一种用于医学图像分类的新型对抗学习策略
图像与视频处理
2022-07-08 v3 计算机视觉与模式识别
摘要
深度学习(DL)技术已被广泛用于医学图像分类。大多数基于DL的分类网络通常呈分层结构，并通过最小化网络末端单一损失函数进行优化。然而，这种单一损失设计可能导致仅优化某一特定关注值，却未能利用中间层中对分类性能有益且能降低过拟合风险的信息化特征。近来，辅助卷积神经网络(AuxCNN)已被置于传统分类网络之上，以促进中间层训练，从而提升分类性能与鲁棒性。在本研究中，我们提出了一种基于对抗学习的AuxCNN，以支持深度神经网络在医学图像分类中的训练。我们的AuxCNN分类框架采用了两项主要创新。首先，受生成对抗网络(GAN)及其在逼近目标数据分布方面出色能力的启发，所提AuxCNN架构包含图像生成器与图像判别器，以提取更具信息量的医学图像特征。其次，设计了一种混合损失函数，通过结合分类网络与AuxCNN的不同目标来引导模型训练，从而降低过拟合。全面的实验研究证明了所提模型的优越分类性能。并探讨了网络相关因素对分类性能的影响。
引用
@article{arxiv.2206.11501,
title = {A novel adversarial learning strategy for medical image classification},
author = {Zong Fan and Xiaohui Zhang and Jacob A. Gasienica and Jennifer Potts and Su Ruan and Wade Thorstad and Hiram Gay and Pengfei Song and Xiaowei Wang and Hua Li},
journal= {arXiv preprint arXiv:2206.11501},
year = {2022}
}