胸部 X 光中胸部疾病长尾分类：一项新基准研究
计算机视觉与模式识别
2023-04-04 v1
摘要
影像检查（如胸部 X 光）会产生一小部分常见表现和一大组不常见表现。虽然受过训练的放射科医生可以通过研究少量代表性样本来学习罕见疾病的视觉表现，但教机器从这种“长尾”分布中学习要困难得多，因为标准方法很容易偏向最频繁的类别。在本文中，我们对胸部 X 光中胸部疾病这一特定领域的长尾学习问题进行了全面的基准研究。我们专注于从自然分布的胸部 X 光数据中学习，不仅优化常见“头部”类别的分类准确率，也优化罕见但关键的“尾部”类别。为此，我们引入了一个具有挑战性的新长尾胸部 X 光基准，以促进针对医学图像分类的长尾学习方法的研发。该基准包含用于 19 类和 20 类胸部疾病分类的两个胸部 X 光数据集，其中类别的标注训练图像多至 53,000 张、少至 7 张。我们在该新基准上评估了标准的和最先进（SOTA）的长尾学习方法，分析了这些方法哪些部分对长尾医学图像分类最有益，并总结了未来算法设计的见解。数据集、训练好的模型和代码可在 https://github.com/VITA-Group/LongTailCXR 获取。
引用
@article{arxiv.2208.13365,
title = {Long-Tailed Classification of Thorax Diseases on Chest X-Ray: A New Benchmark Study},
author = {Gregory Holste and Song Wang and Ziyu Jiang and Thomas C. Shen and George Shih and Ronald M. Summers and Yifan Peng and Zhangyang Wang},
journal= {arXiv preprint arXiv:2208.13365},
year = {2023}
}
备注
DALI 2022 (MICCAI workshop)