面向医学图像分类的演化感知 VAriance (EVA) 核心集选择
计算机视觉与模式识别
2024-09-04 v2
摘要
在医学领域，管理高维大规模医学影像数据并从中进行可靠医学分析是关键挑战，尤其是在资源受限的环境中，如偏远医疗机构和移动设备。这需要有效的数据集压缩技术来降低存储、传输和计算成本。然而，现有的核心集选择方法主要针对自然图像数据集设计，对于医学图像数据集由于所面临的挑战（如类内变异和类间相似性）效果存疑。在本文中，我们提出一种称为演化感知 VAriance (EVA) 的新型核心集选择策略，通过双窗口方法捕捉模型训练的演化过程，并通过方差测量更准确地反映样本重要性的波动。在医学图像数据集上的大量实验表明，我们的策略优于以前的 SOTA 方法，特别是在高压缩率下。EVA 在仅使用 10% 训练数据时即可实现 98.27% 的准确率，而完整训练集为 97.20%。没有任何被比较的基线方法能在 5% 选择率下超越 Random，而 EVA 比 Random 高出 5.61%，展现了其在高效医学图像分析中的潜力。
引用
@article{arxiv.2406.05677,
title = {Evolution-aware VAriance (EVA) Coreset Selection for Medical Image Classification},
author = {Yuxin Hong and Xiao Zhang and Xin Zhang and Joey Tianyi Zhou},
journal= {arXiv preprint arXiv:2406.05677},
year = {2024}
}
备注
Accepted by ACM Multimedia 2024 (oral), see: https://openreview.net/forum?id=m1qrB9KSYD