基于奇异值分解的 X 射线肺炎分类中的最小二乘方法
计算机视觉与模式识别
2025-08-26 v2 人工智能
机器学习
摘要
通过 X 射线影像准确且及早诊断肺炎对于有效治疗和改善患者预后至关重要。最近的机器学习进展使得能够自动化诊断工具的出现，这些工具帮助放射科医生做出更可靠和更高效的决策。在本工作中，我们提出了一种基于奇异值分解的最小二乘 (SVD-LS) 框架，用于多类肺炎分类，利用来自最先进的自监督和迁移学习模型的强大特征表示。我们不依赖计算昂贵的基于梯度的微调，而是采用闭形式、非迭代的分类方法，以确保在不损害准确性的前提下提高效率。实验结果表明，SVD-LS 在实现有竞争力的性能的同时，显著降低了计算成本，使其成为实时医学影像应用的可行替代方案。该实现可在: github.com/meterdogan07/SVD-LS 上获得。
引用
@article{arxiv.2504.20970,
title = {SVD Based Least Squares for X-Ray Pneumonia Classification Using Deep Features},
author = {Mete Erdogan and Sebnem Demirtas},
journal= {arXiv preprint arXiv:2504.20970},
year = {2025}
}
备注
IEEE International Workshop on Machine Learning for Signal Processing (MLSP), 2025