面向脂肪肝疾病检测的鲁棒深度特征解耦网络

当前的医学图像分类工作主要追求更高的平均性能，往往忽视不同类别之间的平衡。这可能导致不同类别识别准确率存在显著差异和明显的识别弱点。没有大量数据的深度学习在脂肪肝的细粒度分类中面临挑战。本文提出一种创新的深度学习框架，将特征解耦和自适应对抗训练相结合。首先，我们采用两个迭代压缩解耦器，对腹部超声图像中的常用特征和与脂肪肝相关的特定特征进行监督解耦。随后，解耦后的特征在转换颜色空间后与原始图像拼接，并输入分类器。 During 对抗训练时，我们通过每个类别的准确率自适应调整扰动并平衡对抗强度。该模型通过正确分类对抗样本来消除识别弱点，从而提高识别鲁棒性。最后，我们的方法准确率提升了4.16%，达到82.95%。如需 extensive 实验表明，我们的方法是一个通用的学习框架，可直接用于消除任何分类器的识别弱点，同时提高其平均性能。代码可在 https://github.com/HP-ML/MICCAI2024 获取。