通过度量学习学习判别性表征以解决不平衡医学图像分类
计算机视觉与模式识别
2022-07-15 v1
摘要
模型训练期间常见疾病与罕见疾病间的数据不平衡常导致智能诊断系统对常见疾病产生偏倚预测。现有最优方法采用两阶段学习框架以缓解类不平衡问题，其中第一阶段专注于通用特征提取器的训练，第二阶段专注于分类器头的微调以实现类重平衡。然而，现有两阶段方法未考虑不同疾病间的细粒度特性，常导致第一阶段在医学图像分类上不如在自然图像分类任务中有效。在本研究中，我们提出将度量学习嵌入两阶段框架的第一阶段，专门帮助特征提取器学习提取更具判别性的特征表征。主要在三个医学图像数据集上的大量实验表明，所提方法持续优于现有单阶段与两阶段方法，表明度量学习可作为两阶段框架中用于细粒度类不平衡图像分类任务的有效插件组件。
引用
@article{arxiv.2207.06975,
title = {Learning Discriminative Representation via Metric Learning for Imbalanced Medical Image Classification},
author = {Chenghua Zeng and Huijuan Lu and Kanghao Chen and Ruixuan Wang and Wei-Shi Zheng},
journal= {arXiv preprint arXiv:2207.06975},
year = {2022}
}