面向不平衡数据COVID-19胸部X射线分类的小样本学习：域间与域内研究
图像与视频处理
2024-09-27 v1 计算机视觉与模式识别
摘要
医学图像数据集对于训练用于计算机辅助诊断、治疗计划和医学研究的模型至关重要。然而，这些数据集面临一些挑战，包括数据分布的可变性、数据稀缺性以及使用从通用图像预训练的模型时的迁移学习问题。本文研究了这些挑战在严重数据不平衡的小样本学习场景中在域内和域间层面的影响。为此，我们提出了一种基于孪生神经网络的方法，其中集成了一系列技术来减轻数据稀缺和分布不平衡的影响。具体分析了不同的初始化和数据增强方法，并引入了四种针对不平衡数据解决方案的孪生网络适配，包括数据平衡和加权损失，分别和组合使用，以及不同的配对比例平衡。此外，我们还评估了使用四种分类器（直方图、NN、SVM和随机森林）的推理过程。在三个带有COVID-19阳性与阴性诊断注释的胸部X射线数据集上进行了评估。分别分析了为孪生架构提出的每种技术的准确性，并将其结果与使用等效方法在最新CNN上获得的结果进行了比较。我们得出结论，在几乎所有情况下，所引入的技术相对于基线提供了有希望的改进，并且技术的选择可能取决于可用数据量和不平衡程度。
引用
@article{arxiv.2401.10129,
title = {Few-shot learning for COVID-19 Chest X-Ray Classification with Imbalanced Data: An Inter vs. Intra Domain Study},
author = {Alejandro Galán-Cuenca and Antonio Javier Gallego and Marcelo Saval-Calvo and Antonio Pertusa},
journal= {arXiv preprint arXiv:2401.10129},
year = {2024}
}
备注
Submited to Pattern Analysis and Applications