关注弱者：复杂隐式不平衡下剪枝辅助的医学图像定位
计算机视觉与模式识别
2022-12-07 v1
摘要
深度神经网络（DNNs）已迅速成为医学图像理解任务的事实标准选择。然而，DNNs在图像分类中的类不平衡面前 notoriously 脆弱。我们进一步指出，当涉及如病灶定位等更复杂的任务时，这种不平衡脆弱性会被放大，因为此类问题中的不平衡可具有高度复杂且常为隐式的形式。例如，不同病灶可具有不同大小或颜色（相对于背景）、不同的潜在人口统计学分布，以及总体上不同的识别难度，即使在精心整理的平衡训练数据分布中亦如此。本文中，我们提出使用剪枝来自动且自适应地识别难学（HTL）训练样本，并通过在监督、半监督与弱监督设置下的训练中显式关注它们来改善病灶定位。我们的主要灵感源于近期发现：深度分类模型存在难以记忆的样本，且这些样本可通过网络剪枝有效暴露 \cite{hooker2019compressed}——我们首次将此类观察推广至分类之外。我们还呈现了一项有趣的人口统计学分析，说明HTL捕捉复杂人口统计学不平衡的能力。我们在皮肤病变定位任务上于多种训练设置中通过额外关注HTL的广泛实验显示，定位性能显著提升约2-3%。
引用
@article{arxiv.2212.02675,
title = {Attend Who is Weak: Pruning-assisted Medical Image Localization under Sophisticated and Implicit Imbalances},
author = {Ajay Jaiswal and Tianlong Chen and Justin F. Rousseau and Yifan Peng and Ying Ding and Zhangyang Wang},
journal= {arXiv preprint arXiv:2212.02675},
year = {2022}
}
备注
Accepted in WACV 2023