使用不平衡训练数据的半监督学习用于医学图像分类
计算机视觉与模式识别
2021-08-23 v1 机器学习
摘要
医学图像分类通常具有挑战性，原因有二：一是由于标注协议昂贵且耗时而导致缺乏标注样本，二是由于广泛人群中疾病阳性个体相对稀少而导致类别标签不平衡。半监督学习（SSL）方法可用于处理标签缺乏问题，但它们通常未解决类别不平衡问题。在本研究中，我们提出自适应混合一致性损失（Adaptive Blended Consistency Loss, ABCL），作为基于扰动的 SSL 方法中一致性损失的即插即用替代方案。ABCL 通过根据类别频率自适应地混合一致性损失的目标类别分布来抵消数据偏斜。我们使用 ABCL 的实验表明，与现有未设计用于抵消类别不平衡的一致性损失相比，在两个不同的不平衡医学图像分类数据集上，未加权平均召回率有所提升。
引用
@article{arxiv.2108.08956,
title = {Semi-supervised learning for medical image classification using imbalanced training data},
author = {Tri Huynh and Aiden Nibali and Zhen He},
journal= {arXiv preprint arXiv:2108.08956},
year = {2021}
}
备注
This paper has 28 pages, 7 figures