泰国国家医疗银行:三网与交叉平衡的伪监督为类不平衡的医疗图像分类

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 机器学习 机器学习

背景情况:

• 深度神经网络 (DNN) 对于医学图像分析至关重要,但与有限的标记数据和阶级不平衡作斗争.
• 现有的半监督学习 (SSL) 方法往往无法解决类不平衡,导致对多数类的预测偏见.
• 训练偏差也源于在当前的SSL框架内伪标签生成和利用的非最佳策略.

研究的目的:

• 引入一个新的半监督学习 (SSL) 框架,三网与交叉平衡伪监督 (TNCB),旨在克服医疗图像分类中的标签稀缺性和类不平衡.
• 通过使教师模型专注于少数群体课程来减少预测偏差.
• 通过自适应性交叉损失函数减轻训练偏差,以从未标记的数据中提取更好的知识.

主要方法:

• 提出了三网与交叉平衡伪监督 (TNCB) 框架,包括两个学生网络和一个带有自适应平衡器的教师网络.
• 实施了虚拟优化策略,以提高教师模型对抗类失衡的稳定性.
• 利用交叉平衡伪监督与自适应交叉损失函数来最大限度地减少训练偏差并利用未标记的数据.

主要成果:

• 与最先进的SSL方法相比,TNCB在四个不同的数据集中表现出卓越的性能.
• 该框架有效地解决了与不同疾病,图像模式和不同不平衡比率相关的挑战.
• 分类准确性的持续改进突显了TNCB的有效性.

结论:

• TNCB是一个有效和强大的SSL框架,用于不平衡的医疗图像分类.
• 提出的方法成功地减少了现有的SSL方法固有的预测和训练偏差.
• 在临床环境中,TNCB提供了一个有前途的解决方案,用于增强深度学习应用程序,而医疗数据有限且不平衡.