深度学习模型校准能否改善类不平衡医学图像分类中的性能？
机器学习
2022-04-06 v3 计算机视觉与模式识别
图像与视频处理
摘要
在医学图像分类任务中，正常样本数量远多于异常样本的情况十分常见。在此类类不平衡情形下，深度神经网络的可靠训练仍是一项重大挑战。在这些情况下，预测的类概率可能偏向多数类。已有研究建议通过校准来缓解部分此类影响。然而，关于校准模型何时以及是否有助于提升性能的分析尚不充分。在本研究中，我们使用多种深度学习分类器骨干网络，对模型校准在两种医学图像模态（即胸部 X 光与眼底图像）上性能的影响进行了系统分析。为此，我们研究了以下变量：(i) 用于训练的数据集的不平衡程度；(ii) 校准方法；以及 (iii) 两个分类阈值，即默认的 0.5 决策阈值与来自精确率-召回率曲线的最优阈值。我们的结果表明，在 0.5 的默认操作阈值下，通过校准所达到的性能显著优于（p < 0.05）使用未校准概率。然而，在 PR 引导的阈值下，这些增益无显著差异（p > 0.05）。该发现对两种图像模态及不同不平衡程度均成立。
引用
@article{arxiv.2110.00918,
title = {Does deep learning model calibration improve performance in class-imbalanced medical image classification?},
author = {Sivaramakrishnan Rajaraman and Prasanth Ganesan and Sameer Antani},
journal= {arXiv preprint arXiv:2110.00918},
year = {2022}
}
备注
34 pages, 21 figures, and 10 tables