基于有限医学图像数据的半监督疾病分类
图像与视频处理
2024-05-08 v1 计算机视觉与模式识别
摘要
近年来，学习正样本和未标记样本（PU 学习）在图像和文本分类任务中取得了显著进展。然而，将 PU 学习应用于半监督疾病分类仍面临巨大挑战，主要由于标记医学图像数据稀缺。医学图像辅助诊断算法中仍存在诸多理论和实际障碍。PU 学习在医学图像辅助诊断中的研究具有重要意义，因为其旨在减少专业专家对图像分类所需的时间。与自然图像不同，医学图像通常伴随稀缺的标注数据，而大量未标记案例则存在。针对这些挑战，本文引入一种灵感来自 H"older 发散的新型生成模型，专为使用正样本和未标记医学图像数据进行半监督疾病分类而设计。本文对该问题进行了完整的数学表述，并通过严格的数学分析建立了其理论可行性。为评估所提出方法的有效性，我们在五个常用于 PU 医学学习的基准数据集上进行了广泛实验：BreastMNIST、PneumoniaMNIST、BloodMNIST、OCTMNIST 和 AMD。实验结果清晰地表明，我们的方法在所有五个疾病分类基准测试中均优于基于 KL 发散的现有方法。值得注意的是，我们的方法在所有五个疾病分类任务中实现了最先进的性能。通过解决有限标注数据所施加的限制，并充分利用未标记医学图像的潜在价值，我们的新型生成模型为医学图像分析领域的半监督疾病分类指明了具有前景的方向。
引用
@article{arxiv.2405.04295,
title = {Semi-Supervised Disease Classification based on Limited Medical Image Data},
author = {Yan Zhang and Chun Li and Zhaoxia Liu and Ming Li},
journal= {arXiv preprint arXiv:2405.04295},
year = {2024}
}