通过自训练纠正类别不平衡以提高通用皮肤病检测与标记
计算机视觉与模式识别
2025-04-08 v1 人工智能
摘要
CT studies 中的通用皮肤病检测与标记（ULDT）对于肿瘤负荷评估和跟踪皮肤病状态（生长/缩小）的变化至关重要。然而，缺乏完全注释的数据阻碍了有效 ULDT 方法的开发。先前的工作使用 DeepLesion 数据集（4,427 名患者，10,594 项研究，32,120 项 CT 切片，32,735 项皮肤病，8 种身体部位标签）进行算法开发，但该数据集未完全注释且包含类别不平衡。为此目的，本工作开发了一个自训练管道用于 ULDT。在 DeepLesion 的有限 11.5% 子集（边界框 + 标签）上训练 VFNet 模型以检测和分类 CT 研究中的皮肤病。然后，它从更大未见数据子集中识别并纳入新皮肤病候选人以增强训练集，并进行多轮自训练。进行了多项自训练实验，使用不同的阈值策略筛选高质量预测皮肤病并覆盖类别不平衡。我们发现，直接自训练会在牺牲欠代表类皮肤病的灵敏度方面提高过代表类皮肤病的灵敏度。然而，沿用自训练中挖掘的皮肤病并配以可变阈值策略，可在对比无类别平衡自训练（72% vs 78.5%）和对比相同自训练策略无上采样（66.8% vs 78.5%）时分别提高 6.5% 和 11.7% 灵敏度。此外，我们展示我们的结果在所有 8 种皮肤病上要么改善要么保持 4 FP 处的灵敏度。
引用
@article{arxiv.2504.05207,
title = {Correcting Class Imbalances with Self-Training for Improved Universal Lesion Detection and Tagging},
author = {Alexander Shieh and Tejas Sudharshan Mathai and Jianfei Liu and Angshuman Paul and Ronald M. Summers},
journal= {arXiv preprint arXiv:2504.05207},
year = {2025}
}
备注
Published at SPIE Medical Imaging 2023