HSADML：基于超球面角度深度度量学习的大脑肿瘤分类方法
计算机视觉与模式识别
2022-01-31 v1
摘要
脑肿瘤是侵入大脑区域的异常细胞团块。及时识别与分类有助于医生提供适当治疗。然而，由于类内相似度高、类间差异小，脑肿瘤分类颇为复杂。不同类别的各类 MRI 切片在形态上相似，使挑战进一步加剧。这一切导致分类模型的泛化能力受损。为此，本文提出 HSADML，一种利用 SphereFace 损失的深度度量学习（DML）新框架。SphereFace 损失将特征嵌入超球面流形，并对嵌入施加间隔以增强类间可区分性。借助基于 SphereFace 损失的深度度量学习，可确保同类样本聚拢而不同类样本被推远。结果反映了该方法的有效性：所提框架使用 k-NN（k=1）取得了 98.69% 的 SOTA 验证准确率，显著高于普通 SoftMax 损失训练——后者虽取得 98.47% 验证准确率，但类间分离性与类内紧致性有限。基于多种分类器与损失函数设置的实验分析表明了该方法的潜力。
引用
@article{arxiv.2201.12269,
title = {HSADML: Hyper-Sphere Angular Deep Metric based Learning for Brain Tumor Classification},
author = {Aman Verma and Vibhav Prakash Singh},
journal= {arXiv preprint arXiv:2201.12269},
year = {2022}
}