MONICA：面向长尾医学图像分类的基准测试
图像与视频处理
2024-10-04 v1 计算机视觉与模式识别
摘要
长尾学习被认为是数据不平衡学习中极具挑战性的问题，旨在从遵循长尾类别分布的大量图像中训练出具有良好泛化能力的模型。在医学领域，许多诊断成像检查，如皮肤色素亚鳞屑病诊断和胸部X光检查，都会产生复杂临床发现的长尾分布。最近，针对医学图像分析中的长尾学习引起了广泛关注。然而，该领域目前缺乏一个统一、严格表述且全面的基准测试，这往往导致公平性比较差且结果不可靠。为帮助学界在评估和推进方面取得进展，我们构建了一个统一、结构良好的代码库，名为 Medical OpeN-source Long-taIled ClassifiCAtion（MONICA），其实现了在相关领域开发的超过 30 种方法，并在覆盖 6 个医学领域的 12 个长尾医学数据集上进行评估。我们的工作为该领域提供了宝贵的实用指导和见解，详细分析和讨论了各内置方法中各个组成部分的有效性。我们希望这个代码库能作为一个全面且可重复的基准，鼓励进一步发展。该代码库已公开于 https://github.com/PyJulie/MONICA。
引用
@article{arxiv.2410.02010,
title = {MONICA: Benchmarking on Long-tailed Medical Image Classification},
author = {Lie Ju and Siyuan Yan and Yukun Zhou and Yang Nan and Xiaodan Xing and Peibo Duan and Zongyuan Ge},
journal= {arXiv preprint arXiv:2410.02010},
year = {2024}
}