一个扩散模型多级特征融合网络,用于不平衡的医学图像分类研究
Zipiao Zhu1, Yang Liu2, Chang-An Yuan3
1School of Computer, Electronics and Information, Guangxi University, Nanning, Guangxi, 530004, China.
Computer methods and programs in biomedicine
|August 29, 2024
概括
本研究引入了一个扩散模型多尺度特征融合网络 (DMSFF),以解决数据不平衡和医学图像分类的低准确性. DMSFF网络显著提高了对具有挑战性的数据集的分类性能.
科学领域:
- 医学图像分析 医学图像分析
- 机器学习 机器学习
- 计算机视觉 计算机视觉
背景情况:
- 医学图像分类面临着高度不平衡的数据集带来的挑战,导致模型准确性较低.
- 传统方法在医学图像分类任务中难以获得可训练数据.
研究的目的:
- 为了有效地解决医学成像中不平衡的类数据集引起的培训结果差.
- 提出一个优越的网络框架,以提高医学图像分类的准确性.
主要方法:
- 引入了扩散模型多尺度特征融合网络 (DMSFF),使用扩散生成模型来克服不平衡类 (DMOIC).
- 实施了通过裁剪 (IASTC) 的图像增强策略和一个多尺度的特征融合网络 (MSFF) 来实现层次化的特征利用.
- DMSFF网络旨在解决小型,不平衡的样本和医学图像分类的低准确性问题.
主要成果:
- 在高度不平衡的数据集APTOS2019和ISIC2018上评估了DMSFF,显示了显著的改进.
- 在各自的数据集上实现了0.872和0.906的分类准确性,以及0.731和0.836的F1分数.
- 在准确性和F1分数方面都超过了现有的分类模型.
结论:
- 拟议的DMSFF架构超越了目前在不平衡数据集上的医疗图像分类方法.
- 验证了基于生成模型的类平衡和多尺度特征融合以提高性能的有效性.
- DMSFF方法显示了在各种不平衡类数据集中广泛应用的潜力,有望改善结果.
