基于混沌的原型网络用于少样本医学图像分类
图像与视频处理
2026-04-21 v1 人工智能
计算机视觉与模式识别
摘要
癌症临床数据稀缺，使得少样本学习（Few-Shot Learning, FSL）成为计算机辅助诊断的关键框架，但我们注意到标准的原型网络（Prototypical Networks）在脑肿瘤扫描图像上常因形态噪声和高类内差异导致“原型不稳定”。我们的工作通过将非线性 Logistic 混沌模块集成到微调的 ResNet-18 主干网络中，创建混沌增强原型网络（Chaos-Enhanced ProtoNet, CE-ProtoNet）。利用 Logistic 混沌图的确定性 Ergodicity，我们在支持特征上注入受控扰动，以进行“压力测试”嵌入空间。这一过程使模型在不增加计算开销的情况下收敛于对噪声不变的表征。在 4 类 5 样本的脑肿瘤分类任务中，我们发现 15% 的混沌注入水平有效稳定了高维聚类，减少了类间散布。我们的方法在测试准确率达到 84.52%，超越了标准 ProtoNet。我们的结果表明，将混沌扰动作为一种高效、低开销的正则化工具在数据稀缺的情境下具有潜在价值。
引用
@article{arxiv.2604.17300,
title = {Chaos-Enhanced Prototypical Networks for Few-Shot Medical Image Classification},
author = {Chinthakuntla Meghan Sai and Murarisetty V Sai Kartheek and Sita Devi Bharatula and Karthik Seemakurthy},
journal= {arXiv preprint arXiv:2604.17300},
year = {2026}
}