适应式双轴基于风格的重新校准网络,具有不平衡医疗图像分类的类别统计损失

科学领域:

• 医疗成像医学成像
• 计算机视觉 计算机视觉
• 机器学习 机器学习

背景情况:

• 深度神经网络 (DNN) 在医学图像分类方面表现有前途,但与不平衡的数据集作斗争,并捕获突出和小病变.
• 医学图像中的临床风格是疾病的关键指标,但它们在基于DNN的分类中的潜力仍未得到充分探索.

研究的目的:

• 开发一种新的模块和损失函数,通过有效利用临床风格来提高DNN在不平衡医疗图像分类中的性能.
• 改善捕获突出和小病变信息,这对于准确的疾病诊断至关重要.

主要方法:

• 提出适应式双轴基于风格的重新校准 (ADSR) 模块,该模块使用全局和像素智能的风格适应来分别强调突出和小病变.
• 引入一个Class-wise统计损失 (CWS) 与交叉损失相结合,以解决不平衡数据参数优化的局限性.
• 通过集成多个ADSR模块构建ADSR-Net并评估其在五个不平衡的医疗图像数据集上的性能.

主要成果:

• ADSR-Net与CWS相结合,在不平衡的医学图像分类任务上显著超过了最先进的方法.
• 提出的方法在F1和平衡精度 (B-ACC) 等指标上表现出卓越的表现.
• 实验表明,信心校准得到了改进,预期校准误差 (ECE) 和障碍得分 (BS) 减少.

结论:

• ADSR模块和CWS提供了一种强大的方法来应对不平衡的医学图像分类的挑战.
• 通过ADSR利用临床风格提高了DNN从突出和微妙的病理特征中学习的能力.
• 提出的方法不仅提高了分类准确性,还提高了DNN模型在临床应用中的可靠性和可信度.