基于显著性引导和补丁混合的长尾皮肤癌图像分类

由于医学数据收集和标注固有的挑战，医学图像数据集通常呈现长尾分布。在长尾情境下，一些常见疾病类别占据了大部分数据，而罕见疾病类别只有少量样本可用，导致深度学习方法性能不佳。为了解决这个问题，先前的方法采用了类别重采样或重加权技术，但这些方法常常遇到诸如对尾部类别过拟合或训练过程中优化困难等挑战。在这项工作中，我们提出了一种新颖的方法，即基于显著性引导和补丁混合（SPMix），用于长尾皮肤癌图像分类。具体来说，给定一张尾部类别图像和一张头部类别图像，我们在显著性映射的引导下将它们混合，生成一张新的尾部类别图像，这允许保留和增强尾部类别的判别性特征，而不受头部类别特征的任何干扰。在ISIC2018数据集上进行了大量实验，证明了SPMix相对于现有最先进方法的优越性。