面向序数标签医学图像分类的元序数回归森林
计算机视觉与模式识别
2022-07-05 v1
摘要
深度卷积神经网络（CNNs）提升了医学图像分类的性能，其通常利用交叉熵（CE）损失进行训练。然而，当标签本质上呈现内在的序数属性时，例如从良性到恶性肿瘤的发展，CE损失无法考虑此类序数信息以获得更好的泛化能力。为利用序数信息改善模型泛化，我们提出了一种新颖的元序数回归森林（MORF）方法，用于带序数标签的医学图像分类，该方法在元学习框架中通过卷积神经网络与微分森林的结合来学习序数关系。所提MORF的优点来自以下两个组件：树级加权网络（TWW-Net）和分组特征选择（GFS）模块。首先，TWW-Net为森林中的每棵树分配一个特定权重，该权重由对应树的分类损失映射而来。因此，所有树具有不同权重，有助于减轻树级预测方差。其次，GFS模块实现了动态森林而非先前使用的固定森林，允许随机特征扰动。在训练期间，我们通过计算Hessian矩阵在元学习框架中交替优化CNN主干和TWW-Net的参数。在带序数标签的两个医学图像分类数据集（即LIDC-IDRI和Breast Ultrasound Dataset）上的实验结果表明，我们的MORF方法优于现有的最先进方法。
引用
@article{arxiv.2203.07725,
title = {Meta Ordinal Regression Forest for Medical Image Classification with Ordinal Labels},
author = {Yiming Lei and Haiping Zhu and Junping Zhang and Hongming Shan},
journal= {arXiv preprint arXiv:2203.07725},
year = {2022}
}