Medi-CAT:用于医学图像分类的对比对抗训练
图像与视频处理
2023-11-02 v1 计算机视觉与模式识别
机器学习
摘要
现有的大型医学图像数据集并不多。对于这些过小的数据集,过小的深度学习模型无法学习有用特征,因而因欠拟合而表现不佳;过大的模型则易对有限数据过拟合。因此,需在二者之间折中。本文提出一种名为Medi-CAT的训练策略,以克服医学成像数据集中的欠拟合与过拟合现象。具体而言,所提训练方法采用大型预训练视觉Transformer克服欠拟合,并运用对抗学习与对比学习技术防止过拟合。该方法在MedMNIST集合中的四个医学图像分类数据集上训练与评估。实验结果表明,与知名方法相比,所提方法在三个基准数据集上准确率提升高达2%;相较基线方法,性能提升高达4.1%。
引用
@article{arxiv.2311.00154,
title = {Medi-CAT: Contrastive Adversarial Training for Medical Image Classification},
author = {Pervaiz Iqbal Khan and Andreas Dengel and Sheraz Ahmed},
journal= {arXiv preprint arXiv:2311.00154},
year = {2023}
}