面向半监督医学图像分类的类别特定分布对齐
计算机视觉与模式识别
2023-08-01 v1
摘要
尽管深度神经网络在医学图像分类中取得成功,该问题仍具挑战性,因为数据标注耗时,且由于疾病相对稀缺导致类别分布不平衡。为解决此问题,我们提出类别特定分布对齐(CSDA),一种基于自训练的半监督学习框架,适用于从高度不平衡的数据集中学习。具体而言,我们首先通过将该过程视为由边缘预测所张成的向量空间中的基变换,为分布对齐提供新视角,进而推导出CSDA以在标注与未标注数据上捕获类别相关的边缘预测,从而避免对多数类的偏置。此外,我们提出可变条件队列(VCQ)模块,为每个类别维持数量成比例的未标注样本。在HAM10000、CheXpert和Kvasir三个公开数据集上的实验表明,我们的方法在半监督皮肤病、胸部疾病和内镜图像分类任务上提供了具有竞争力的性能。
引用
@article{arxiv.2307.15987,
title = {Class-Specific Distribution Alignment for Semi-Supervised Medical Image Classification},
author = {Zhongzheng Huang and Jiawei Wu and Tao Wang and Zuoyong Li and Anastasia Ioannou},
journal= {arXiv preprint arXiv:2307.15987},
year = {2023}
}
备注
Paper appears in Computers in Biology and Medicine 2023, 164, 107280