ACPL：用于半监督医学图像分类的反课程伪标签方法
计算机视觉与模式识别
2022-03-23 v3
摘要
医学图像分析（MIA）中有效的半监督学习（SSL）必须解决两个挑战：1）在多类（例如，病变分类）和多标签（例如，多疾病诊断）问题上均有效工作；2）处理不平衡学习（由于疾病流行率的高方差）。在 SSL MIA 中探索的一种策略是基于伪标签策略，但它存在一些缺点。伪标签的准确性通常低于一致性学习，它不是专门为多类和多标签问题设计的，并且可能受到不平衡学习的挑战。在本文中，与传统通过阈值选择置信度高的伪标签的方法不同，我们提出了一种新的 SSL 算法，称为反课程伪标签（ACPL），该算法引入了新技术来选择信息丰富的未标记样本，改善训练平衡，使模型能够同时处理多标签和多类问题，并通过精确的分类器集成来估计伪标签（提高伪标签准确性）。我们进行了大量实验，在两个公开的医学图像分类基准上评估 ACPL：用于胸部疾病多标签分类的 Chest X-Ray14 和用于皮肤病变多类分类的 ISIC2018。我们的方法在这两个数据集上均优于先前最先进的 SSL 方法。
引用
@article{arxiv.2111.12918,
title = {ACPL: Anti-curriculum Pseudo-labelling for Semi-supervised Medical Image Classification},
author = {Fengbei Liu and Yu Tian and Yuanhong Chen and Yuyuan Liu and Vasileios Belagiannis and Gustavo Carneiro},
journal= {arXiv preprint arXiv:2111.12918},
year = {2022}
}
备注
CVPR 2022