基于生成数据增强的乳腺病灶子类型长尾识别
计算机视觉与模式识别
2025-07-31 v1
摘要
准确识别乳腺病灶子类型可促进个性化治疗和干预。超声(US)作为一种安全且可及的成像模态，广泛用于乳腺异常筛查和诊断。然而，不同子类型的发病率呈现偏斜的长尾分布，给自动化识别带来了显著挑战。生成式数据增强提供了一种有前景的解决方案来纠正数据分布。灵感来源于此，我们提出了一种用于长尾分类的双相框架，通过高保真数据合成来缓解分布偏差，同时避免过度使用导致整体性能受损。该框架包含一个基于强化学习驱动的自适应抽样器，通过训练一套战略性多智能体，动态校准合成-真实数据比例，以弥补真实数据的稀缺性，同时确保判别能力的稳定性。此外，我们的可控类合成网络集成了基于草图的感知分支，利用解剖先验保持独特的类别特征，同时实现无标注的推断。在一个内部长尾数据集和一个公共不平衡乳腺超声数据集上的大量实验表明，我们的方法在与最先进方法相比时取得了令人满意的性能。更多合成图像可在 https://github.com/Stinalalala/Breast-LT-GenAug 上找到。
引用
@article{arxiv.2507.22568,
title = {Subtyping Breast Lesions via Generative Augmentation based Long-tailed Recognition in Ultrasound},
author = {Shijing Chen and Xinrui Zhou and Yuhao Wang and Yuhao Huang and Ao Chang and Dong Ni and Ruobing Huang},
journal= {arXiv preprint arXiv:2507.22568},
year = {2025}
}
备注
MICCAI2025 Early Accept. 11 pages, 3 figures, 2 tables