利用 SMOTE 增强医学图像分类中的迁移学习: 比较研究
图像与视频处理
2024-12-31 v1 计算机视觉与模式识别
摘要
本文探讨并优化了在医学影像中应用于多标签图像分类的迁移学习 (Transfer Learning, TL) 方法，具体聚焦于脑肿瘤类别和糖尿病视网膜病变分期检测。由于领域特定挑战，采用 ImageNet 数据集预训练模型的 TL 效果存在差异。我们在两个数据集上评估了五个预训练模型：MobileNet、Xception、InceptionV3、ResNet50 和 DenseNet201，分别对应脑肿瘤 MRI 和 APTOS 2019 数据集。结果表明，TL 模型在脑肿瘤分类中表现优异，接近最优指标。然而，在糖尿病视网膜病变检测中，性能受类别不平衡的制约。为缓解此问题，我们将合成少数过采样技术 (SMOTE, Synthetic Minority Over-sampling Technique) 与 TL 及传统机器学习 (ML) 方法相结合，准确率提升 1.97%，召回率 (敏感性) 提升 5.43%，特异度提升 0.72%。这些发现凸显了结合 TL 与重抽样技术及机器学习方法以解决数据不平衡、提升分类性能的必要性，为实现更精准可靠的医学图像分析和改善患者预后、所需计算资源最少提供了可能路径。
引用
@article{arxiv.2412.20235,
title = {Enhancing Transfer Learning for Medical Image Classification with SMOTE: A Comparative Study},
author = {Md. Zehan Alam and Tonmoy Roy and H. M. Nahid Kawsar and Iffat Rimi},
journal= {arXiv preprint arXiv:2412.20235},
year = {2024}
}
备注
Accepted in 27th International Conference on Computer and Information Technology (ICCIT) 2024