面向不平衡医学影像数据集的自监督学习框架
计算机视觉与模式识别
2026-04-03 v1
摘要
医学影像分析常遇到两个问题：1）缺乏大量标注训练数据，以及2）处理不平衡数据，即频繁类别可用数据丰富，而罕见类别的数据极其有限。自监督学习（SSL）方法已在一定程度上解决了第一个问题，但在医学图像分类领域，调查SSL对不平衡数据的鲁棒性极少有人关注。在本工作中，我们做出以下贡献：1）将我们先前提出的MIMV方法扩展，引入新的数据增强策略，以构建非对称的多图像、多视图（AMIMV）对，以同时解决医学图像分类中的数据稀缺和数据集不平衡问题。2）我们进行数据分析，以评估AMIMV在医学影像中不同程度类别不平衡下的鲁棒性。3）我们在11个代表性医学影像数据集（MedMNIST）上评估八种代表性SSL方法，数据分布呈长尾分布且监督学习有限。我们的实验结果表明，在MedMNIST数据集上，retinaMNIST提升4.25%，tissueMNIST提升1.88%，DermaMNIST提升3.1%。
引用
@article{arxiv.2604.01947,
title = {A Self supervised learning framework for imbalanced medical imaging datasets},
author = {Yash Kumar Sharma and Charan Ramtej Kodi and Vineet Padmanabhan},
journal= {arXiv preprint arXiv:2604.01947},
year = {2026}
}