使用 ProGAN 和 SMA 优化的 ResNet 对不平衡数据进行医学图像分类：在 COVID-19 中的应用
计算机视觉与模式识别
2026-01-01 v1 机器学习
摘要
数据不平衡的挑战在医学图像分类中尤为突出。当属于特定类别（例如存在或不存在某种特定疾病）的图像数量与属于其他类别的图像数量存在显著差异时，就会出现这一挑战。这个问题在大流行期间尤其值得注意，这可能导致数据集更加不平衡。近年来，研究人员采用了各种方法来准确、快速地检测 COVID-19 感染者，其中人工智能和机器学习算法处于前沿。然而，缺乏足够且平衡的数据仍然是这些方法的一个重大障碍。本研究通过提出一种渐进式生成对抗网络来生成合成数据以补充真实数据，从而应对这一挑战。所提出的方法建议在将数据输入深度网络分类器之前，采用加权方法将合成数据与真实数据相结合。采用多目标元启发式群体优化算法来优化分类器的超参数。当应用于一个大型且不平衡的 COVID-19 胸部 X 光图像数据集时，所提出的模型展现出优于现有方法的交叉验证指标。对于 4 类和 2 类不平衡分类问题，所提出的模型分别实现了 95.5% 和 98.5% 的准确率。成功的实验结果表明，所提出的模型在大流行期间使用不平衡数据进行医学图像分类是有效的。
引用
@article{arxiv.2512.24214,
title = {Medical Image Classification on Imbalanced Data Using ProGAN and SMA-Optimized ResNet: Application to COVID-19},
author = {Sina Jahromi and Farshid Hajati and Alireza Rezaee and Javaher Nourian},
journal= {arXiv preprint arXiv:2512.24214},
year = {2026}
}