PCCT：用于不平衡医学图像分类的渐进式类中心三元组损失
计算机视觉与模式识别
2022-07-12 v1
摘要
训练数据不平衡是医学图像分类面临的重要挑战。本研究提出一种新颖的渐进式类中心三元组（PCCT）框架，通过精心设计三元组采样策略与三元组损失形式，尤其缓解罕见疾病诊断中的类不平衡问题。具体而言，PCCT 框架包含两个连续阶段。第一阶段，PCCT 通过类平衡三元组损失训练诊断系统，以粗略分离不同类的分布。第二阶段，PCCT 框架通过类中心参与的三元组损失进一步改进诊断系统，使每类分布更紧凑。对于类平衡三元组损失，每次训练迭代中每类平等采样三元组，从而缓解数据不平衡问题。对于类中心参与的三元组损失，每个三元组中的正负样本被相应类中心替代，迫使同类数据表示更接近类中心。此外，类中心参与的三元组损失被扩展至成对排序损失与四元组损失，展示了所提框架的泛化性。大量实验证明 PCCT 框架对训练图像不平衡的医学图像分类有效。在两个皮肤图像数据集与一个胸部 X 光数据集中，所提方法分别在全部类上取得平均 F1 分数 86.2、65.2 和 90.66，在罕见类上取得 81.4、63.87 和 81.92，达到最先进性能并优于广泛使用的类不平衡处理方法。
引用
@article{arxiv.2207.04793,
title = {PCCT: Progressive Class-Center Triplet Loss for Imbalanced Medical Image Classification},
author = {Kanghao Chen and Weixian Lei and Rong Zhang and Shen Zhao and Wei-shi Zheng and Ruixuan Wang},
journal= {arXiv preprint arXiv:2207.04793},
year = {2022}
}