消除高分辨率多模态图像中基于块的肿瘤分类中的虚假关联
机器学习
2025-11-18 v1
摘要
基于块的多标签分类是高分辨率图像上进行全像素分割的高效替代方案，尤其适用于确定目标对象是否存在于该块中，而非其精确的空间范围。该表述显著降低了标注成本，简化了训练过程，并允许块大小灵活调整，以适应所需决策粒度。本文聚焦于一种特殊情况，即块级二分类，用于检测高分辨率多模态非线性显微镜图像中单一感兴趣类（肿瘤）的存在。我们展示，尽管该简化表述虽然高效地促进了模型开发，但会在块组成与标签之间引入虚假关联：肿瘤块倾向于包含更大的组织区域，而非肿瘤块则通常主要由背景和小组织区域组成。我们进一步量化了由此虚假关联导致的模型预测偏差，并提出使用消偏策略来缓解其影响。具体而言，我们应用 GERNE 进行消偏，该方法可适应以最大化最差群体准确率（WGA）为目标。我们的结果表明，与经验风险最小化（ERM）相比，在两种用于二值化虚假特征的阈值下，WGA 提升约为 7%。这一提升增强了对关键少数情况的模型性能，如组织较小的肿瘤块和组织较大的非肿瘤块，凸显了在块级分类问题中注意虚假关联的重要性。
引用
@article{arxiv.2511.13527,
title = {Mitigating Spurious Correlations in Patch-wise Tumor Classification on High-Resolution Multimodal Images},
author = {Ihab Asaad and Maha Shadaydeh and Joachim Denzler},
journal= {arXiv preprint arXiv:2511.13527},
year = {2025}
}
备注
Accepted at EurIPS 2025 Workshop: Unifying Perspectives on Learning Biases (UPLB)