用于去偏胸片分类的伪偏差平衡学习
图像与视频处理
2022-08-05 v2 计算机视觉与模式识别
摘要
深度学习模型常被报道从数据集偏差等捷径中学习。随着深度学习在现代医疗系统中扮演越来越重要的角色，亟需应对医学数据中的捷径学习，并开发无偏且可信的模型。本文研究在不知晓确切偏差标签的情况下，从有偏训练数据中开发去偏胸片诊断模型的问题。我们从观察到以下现象出发：偏差分布的不平衡是导致捷径学习的关键原因之一，且当数据集偏差比预期特征更容易学习时，模型会偏好这些偏差。基于这些观察，我们提出了一种新算法——伪偏差平衡学习，该方法首先通过广义交叉熵损失捕获并预测逐样本的偏差标签，随后利用伪偏差标签与偏差平衡softmax函数训练去偏模型。我们构建了多个具有不同数据集偏差情形的胸片数据集，并通过大量实验证明，所提方法相较于其他最先进的方法取得了持续的改进。
引用
@article{arxiv.2203.09860,
title = {Pseudo Bias-Balanced Learning for Debiased Chest X-ray Classification},
author = {Luyang Luo and Dunyuan Xu and Hao Chen and Tien-Tsin Wong and Pheng-Ann Heng},
journal= {arXiv preprint arXiv:2203.09860},
year = {2022}
}
备注
To appear in MICCAI 2022. Code available at https://github.com/LLYXC/PBBL