基于卷积神经网络的焦点损失用于类不平衡问题：以犬红细胞形态分类为例
图像与视频处理
2025-02-06 v1 计算机视觉与模式识别
摘要
红细胞形态通常由病理学家判读，既耗时又费力。此外，误分类的红细胞形态会导致错误的疾病诊断和不当治疗。因此，一位合格的病理学家必须真正擅长分类红细胞形态。过去十年中，已提出许多用于人类红细胞形态分类的方法。然而，这些方法未解决分类中的类不平衡问题。类不平衡问题——即各类样本数量差异很大的问题——是导致模型偏向多数类的问题之一。由于每种异常血细胞形态都较为罕见，收集过程得到的数据通常是不平衡的。在本研究中，我们旨在通过使用卷积神经网络（CNN）——一种著名的深度学习技术——结合善于处理类不平衡问题的焦点损失（focal loss）函数，专门解决犬红细胞形态分类中的该问题。所提出的技术在一个精心设计的框架下实施：使用两种不同的CNN来验证焦点损失函数的有效性，并通过5折交叉验证确定最优超参数。实验结果表明，与未解决类不平衡问题的常规交叉熵损失函数增强的模型相比，两种结合焦点损失函数的CNN模型均取得了更高的分数。换言之，在犬不平衡红细胞数据的分类任务中，焦点损失函数确实使CNN模型比交叉熵更少地偏向多数类。
引用
@article{arxiv.2001.03329,
title = {Convolutional Neural Networks based Focal Loss for Class Imbalance Problem: A Case Study of Canine Red Blood Cells Morphology Classification},
author = {Kitsuchart Pasupa and Supawit Vatathanavaro and Suchat Tungjitnob},
journal= {arXiv preprint arXiv:2001.03329},
year = {2025}
}