Die Studie präsentiert einen neuartigen Ansatz zur Verbesserung der Klassifizierungsleistung bei unausgewogenen medizinischen Bilddatensätzen. Der Kernaspekt ist ein Iteratives Online-Bildgenerierungsframework (IOIS), das aus zwei Hauptkomponenten besteht:
Online-Bildgenerierung (OIS): Dieser Modul nutzt den Gradienten des Klassifikators, um während des Trainings repräsentative synthetische Bilder für jede Klasse zu erzeugen. So passen sich die generierten Bilder iterativ an die Entwicklung des Klassifikators an.
Accuracy-Adaptive-Sampling (AAS): Dieser Modul bestimmt die Verteilung der synthetischen Bilder für die einzelnen Klassen dynamisch basierend auf der Klassifikationsgenauigkeit für jede Klasse. Klassen mit geringerer Genauigkeit erhalten mehr synthetische Trainingsbilder, um die Unausgewogenheit auszugleichen.
Die Experimente auf den Datensätzen HAM10000 und APTOS zeigen, dass der vorgeschlagene IOIS-Ansatz die Klassifikationsleistung im Vergleich zu State-of-the-Art-Methoden deutlich verbessert. Insbesondere erreicht IOIS signifikante Steigerungen bei den Metriken Macro-F1, Balanced Accuracy und Matthews Correlation Coefficient.
Naar een andere taal
vanuit de broninhoud
arxiv.org
Belangrijkste Inzichten Gedestilleerd Uit
by Shuhan Li,Yi... om arxiv.org 03-14-2024
https://arxiv.org/pdf/2403.08407.pdfDiepere vragen