CURVETE：用于医学图像分类的课程学习与渐进自监督训练
计算机视觉与模式识别
2025-10-28 v1
摘要
在医学图像分析中，确定高质量且易于获取的标注样本是一个值得注意的挑战。迁移学习技术通过利用预训练数据提供了灵活的解决方案。然而，当数据集在类别之间呈现不规则分布时，fine-tuning 的影响会减弱。本文引入了一种新型深度卷积神经网络，名为基于课程学习和渐进自监督训练的 CURVETE。CURVETE 通过在通用无标签样本训练中基于样本分解粗粒度的课程学习策略来解决样本有限的挑战，增强模型的泛化性，并提高整体分类性能。在下游任务中，CURVETE 采用类别分解方法来解决类别分布不规则的挑战。该方法在三个不同的医学图像数据集上进行评估：脑肿瘤、数字膝关节 X 光片和 Mini-DDSM 数据集。我们使用带或不带课程学习组件来训练 pretext 任务中通用自监督样本分解方法的分类性能。实验结果表明，CURVETE 模型在基线 ResNet-50 上，在脑肿瘤数据集上达到 96.60% 的准确率，在数字膝关节 X 光片数据集上达到 75.60% 的准确率，在 Mini-DDSM 数据集上达到 93.35% 的准确率。此外，在基线 DenseNet-121 上，分别在脑肿瘤、数字膝关节 X 光片和 Mini-DDSM 数据集上分别达到 95.77%、80.36% 和 93.22% 的准确率， outperforming 其他训练策略。
引用
@article{arxiv.2510.23442,
title = {CURVETE: Curriculum Learning and Progressive Self-supervised Training for Medical Image Classification},
author = {Asmaa Abbas and Mohamed Gaber and Mohammed M. Abdelsamea},
journal= {arXiv preprint arXiv:2510.23442},
year = {2025}
}
备注
Accepted for publication in the proceedings of ICONIP 2025