面向胸部X射线疾病分类的数据不平衡问题的有效损失函数（Effective-LDAM）
图像与视频处理
2024-07-09 v1 计算机视觉与模式识别
摘要
深度学习（Deep Learning, DL）方法在医学影像疾病诊断中正日益流行。胸部X射线（Chest X-ray, CXR）分类已成为检测各种疾病的有效方法。然而，深度学习分类算法的可靠性能依赖于获取大量且平衡的数据集，而在医学影像领域由于获取每个疾病类别充足数据的实际困难，这一问题尤为突出。为此，我们提出一种称为有效标签分布感知边际（Effective-Label Distribution Aware Margin, E-LDAM）的算法中心方法，通过使用每个类别的有效样本数来修改广泛采用的标签分布感知边际（Label Distribution Aware Margin, LDAM）损失函数。在 COVIDx CXR 数据集上进行实验，聚焦于 Normal、Pneumonia 和 COVID-19 三类分类。实验结果表明，所提出的 E-LDAM 方法有效，为少数类（COVID-19）在 CXR 图像预测中实现了惊人的 97.81% 的召回分数。此外，该三分类任务的总体准确率达到了令人印象深刻的 95.26%。
引用
@article{arxiv.2407.04953,
title = {Effective-LDAM: An Effective Loss Function To Mitigate Data Imbalance for Robust Chest X-Ray Disease Classification},
author = {Sree Rama Vamsidhar S and Bhargava Satya and Rama Krishna Gorthi},
journal= {arXiv preprint arXiv:2407.04953},
year = {2024}
}