没有标签的洞察力,有标签的提升:对比学习和类适应性伪标签,用于半监督的医学图像分类
Jing Yang1, Mingliang Chen1, Qinhao Jia1
1School of Computer Science and Technology, Xinjiang University, Urumqi 830049, China.
Entropy (Basel, Switzerland)
|October 28, 2025
概括
本研究引入了一种半监督框架 (CLCP-MT) 用于医疗图像分类,增强从有限的标记数据中提取信息,并改善类不平衡场景中的性能.
科学领域:
- 医疗成像医学成像
- 机器学习 机器学习
- 计算机视觉 计算机视觉
背景情况:
- 医学成像面临着有限的标记数据和阶级不平衡的挑战.
- 现有的方法与样本关系和杂的伪标签扎,放大偏差.
研究的目的:
- 为医疗图像分类开发一个半监督框架 (CLCP-MT).
- 通过改善信息利用和模型稳定性来解决注释稀缺性和阶级不平衡.
主要方法:
- 拟议的CLCP-MT框架与语义歧视增强 (SDE) 和类适应性伪标签改进 (CAPR) 模块.
- 在标记数据上,SDE使用监督对比学习来进行歧视性信息提取.
- CAPR动态调整伪标签值,以减少头类的优势地位,并改善尾类的识别.
主要成果:
- 在ISIC2018和胸部X射线14数据集上,CLCP-MT表现出卓越的性能.
- 在ISIC2018上获得了10.38%的F1得分改善,在胸部X射线14上增加了2.64%的AUC,有20%的标记数据.
- 框架有效地处理注释缺陷和类不平衡的医学成像数据.
结论:
- 在半监督医疗图像分类中,CLCP-MT显著提高了信息利用效率和模型稳定性.
- 该框架为现实场景提供了强大的解决方案,注释有限,类不平衡.
- 在皮肤病变和胸部疾病分类任务中得到验证的有效性.
