T-DuMpRa：基于教师引导的双路径多原型检索增强框架用于细粒度医学图像分类
人工智能
2026-04-21 v1
摘要
细粒度医学图像分类面临细微类别变异和视觉模糊案例的挑战，其中置信度估计往往表现为不确定性而非高置信度。在此类情况下，纯判别式分类器可能实现高的总体准确率，却仍难以区分高度相似的类别，导致预测失配。我们提出 T-DuMpRa，一个教师引导的双路径多原型检索增强框架，用于细粒度医学图像分类，判别式分类和多原型检索共同驱动训练和预测。在训练期间，我们联合优化交叉熵和监督对比目标，以学习余弦兼容的嵌入几何，以实现可靠的原型匹配。进一步采用指数移动平均 (EMA) 教师获取更平滑的表示，并通过聚类教师嵌入构建多原型记忆库。我们的框架即插即用：可通过构建紧凑的原型库轻易集成到现有分类模型中，从而提高在视觉模糊案例上的性能。在推断时，我们将分类器的预测分布与通过余弦匹配原型计算的相似度分布相结合，并应用保守的置信度门控融合，当分类器的预测不确定且检索证据决定性且冲突时激活检索，否则保持确定性预测不变。在 HAM10000 和 ISIC2019 上，我们的方法在 5 个不同 backbone 上分别实现了 0.68%-0.21% 和 0.44%-2.69% 的提升。可视化分析证明我们的模型能够增强模型处理视觉模糊案例的能力。
引用
@article{arxiv.2604.17360,
title = {T-DuMpRa: Teacher-guided Dual-path Multi-prototype Retrieval Augmented framework for fine-grained medical image classification},
author = {Zixuan Tang and Shen Zhao},
journal= {arXiv preprint arXiv:2604.17360},
year = {2026}
}