面向标签分布偏移的医学图像分类网络测试时自适应与校准
图像与视频处理
2022-07-12 v2 计算机视觉与模式识别
摘要
类别分布在深度分类器学习中起着重要作用。当测试集中各类别比例与训练集不同时,分类网络的性能通常会下降。此类标签分布偏移问题在医学诊断中很常见,因为疾病患病率随地点和时间变化。本文提出首个解决医学图像分类中标签偏移的方法,其有效地将单一训练标签分布上学得的模型自适应至任意未知测试标签分布。我们的方法创新性地使用分布校准来学习多个代表性分类器,它们能处理不同的单类主导分布。给定测试图像时,这些多样化分类器通过一致性驱动的测试时自适应被动态聚合,以应对未知测试标签分布。我们在两项重要医学图像分类任务上验证本方法,包括肝纤维化分期与 COVID-19 严重程度预测。我们的实验清晰显示了标签偏移下模型性能的下降。使用我们的方法后,模型性能在两个医学图像诊断任务的所有具不同标签偏移的测试数据集上均显著提升。
引用
@article{arxiv.2207.00769,
title = {Test-time Adaptation with Calibration of Medical Image Classification Nets for Label Distribution Shift},
author = {Wenao Ma and Cheng Chen and Shuang Zheng and Jing Qin and Huimao Zhang and Qi Dou},
journal= {arXiv preprint arXiv:2207.00769},
year = {2022}
}
备注
This paper has been accepted by MICCAI 2022