用于医学图像分类的弱监督生成对抗网络
计算机视觉与模式识别
2021-12-01 v2
摘要
弱监督学习近年来已成为一项流行技术。在本文中，我们提出一种新颖的医学图像分类算法，称为弱监督生成对抗网络（WSGAN），它仅使用少量无真实标签的图像来生成假图像或掩码图像，以扩大训练集的样本量。首先，我们结合 MixMatch 为假图像和未标记图像生成伪标签以进行分类。其次，将对比学习和自注意力机制引入所提问题以增强分类精度。第三，模式崩溃问题通过循环一致性损失得到很好解决。最后，我们设计全局和局部分类器以相互补充分类所需的关键信息。在四个医学图像数据集上的实验结果表明，WSGAN 通过使用少量有标签和无标签数据即可获得相对较高的学习性能。例如，在 OCT 数据集上，使用 100 张有标签图像和 1000 张无标签图像时，WSGAN 的分类准确率比排名第二的 MIXMATCH 高 11%。此外，我们还进行了消融实验以验证我们算法的有效性。
引用
@article{arxiv.2111.14605,
title = {Weakly-supervised Generative Adversarial Networks for medical image classification},
author = {Jiawei Mao and Xuesong Yin and Yuanqi Chang and Qi Huang},
journal= {arXiv preprint arXiv:2111.14605},
year = {2021}
}