一种用于胸部疾病分类的加权聚合方法

真实世界医学图像分类中的一个常见问题是数据集中正负样本模式固有的不平衡，其中正样本模式通常较为稀少。此外，在使用神经网络进行多类分类时，一个训练样本在某一输出节点被视为正样本，而在其余所有节点被视为负样本。本文中，训练样本在损失函数中的权重不仅依据该类训练样本的数量来设计，还依据将其视为正样本的节点与将其视为负样本的其他节点进行设计。我们提出了一种结合深度网络训练权重计算算法与最先进深度网络架构训练优化方案的聚合方法，用于胸部疾病分类问题。在胸部X光图像数据集上的实验结果表明，这一新的加权方案提升了分类性能，且来自EfficientNet的训练优化进一步改善了性能。我们将该聚合方法与先前若干胸部疾病分类研究的性能进行比较，以对提出的方法提供公平的对比。