基于动量锚定的多尺度融合长尾胸部X射线分类模型

胸部X射线分类面临严重的类别不平衡问题，其中梯度更新倾向于主要类别，导致特征漂移和对稀有但关键病灶的表现不佳。我们提出了动量锚定多尺度融合网络，该网络使用指数移动平均（EMA）作为时间锚定机制，在长尾分布下稳定特征表示。我们的方法对EfficientNet主干网络的最终扩张模块应用选择性动量更新，创建一个渐进式参考分支，该分支抵抗梯度引起的漂移，同时保留针对少数类的判别性模式。结合多尺度空间融合（$1\times 1$、$3 \times 3$、$5 \times 5$ 卷积），该锚定策略在整个训练期间维持表示的稳定性。在ChestX-ray14数据集上，我们的方法实现了0.8682的平均AUC，优于现有SOTA方法，在像Hernia（0.9470）和Pneumonia（0.8165）等稀有病灶上表现尤为突出。结果表明，动量锚定有效地抵消了长尾医学图像分类中特征不稳定性。