罕见视网膜疾病 OCT 图像分类中少样本学习的改进策略
图像与视频处理
2025-05-27 v1 人工智能
计算机视觉与模式识别
摘要
本文聚焦于利用少样本学习提高对包含主要类别和罕见类别的 OCT 诊断图像进行分类的准确性。我们使用基于 GAN 的数据增强策略作为基线，并引入了几种新方法以进一步增强模型。所提出的策略包含用于改进生成部分的 U-GAT-IT，并使用数据平衡技术来缩小所有类别之间准确率的偏差。所获得的最佳模型采用 CBAM 注意力机制和微调的 InceptionV3 构建，总体准确率达到 97.85%，相比原始基线有显著提升。
引用
@article{arxiv.2505.20149,
title = {Improvement Strategies for Few-Shot Learning in OCT Image Classification of Rare Retinal Diseases},
author = {Cheng-Yu Tai and Ching-Wen Chen and Chi-Chin Wu and Bo-Chen Chiu and Cheng-Hung and Lin and Cheng-Kai Lu and Jia-Kang Wang and Tzu-Lun Huang},
journal= {arXiv preprint arXiv:2505.20149},
year = {2025}
}