Основные понятия
의료 데이터의 불균형 문제를 해결하기 위해 온라인 이미지 합성과 정확도 적응형 샘플링을 결합한 반복적 프레임워크를 제안한다.
Аннотация
이 논문은 의료 영상 분류 작업에서 발생하는 데이터 불균형 문제를 해결하기 위한 새로운 접근법을 제안한다. 제안하는 프레임워크는 다음과 같은 두 가지 핵심 모듈로 구성된다:
- 온라인 이미지 합성(OIS) 모듈:
- 분류기의 학습 과정에서 생성된 그래디언트를 활용하여 분류기에 맞춤화된 합성 이미지를 생성한다.
- 분류기가 발전함에 따라 합성 이미지도 해당 클래스를 더 잘 대표하게 되어 학습 과정을 반복적으로 개선한다.
- 정확도 적응형 샘플링(AAS) 모듈:
- 각 클래스의 학습 정확도를 기반으로 합성 이미지의 클래스 분포를 동적으로 조절한다.
- 정확도가 낮은 클래스에 대해 더 많은 합성 이미지를 생성하여 클래스 불균형 문제를 해결한다.
실험 결과, 제안 방법은 HAM10000과 APTOS 데이터셋에서 기존 최신 기법들을 능가하는 성능을 보였다. 특히 Macro-F1, 균형 정확도(B-ACC), 매튜 상관 계수(MCC) 지표에서 우수한 성과를 달성했다. 이는 제안 방법이 다수 클래스와 소수 클래스 모두에서 높은 정확도를 달성할 수 있음을 보여준다.
Статистика
의료 데이터셋의 클래스 불균형 비율은 HAM10000에서 59, APTOS에서 9로 나타났다.
제안 방법은 HAM10000 데이터셋에서 CE Loss 대비 MCC 지표에서 4.53% 향상을 보였다.
제안 방법은 APTOS 데이터셋에서 CE Loss 대비 MCC 지표에서 3.97% 향상을 보였다.
Цитаты
"의료 데이터셋은 데이터 수집의 어려움과 질병 발생률의 차이로 인해 제한된 샘플 크기와 고유한 불균형 분포를 겪는 경우가 많다."
"제안하는 IOIS 프레임워크는 온라인 이미지 합성(OIS)과 정확도 적응형 샘플링(AAS) 모듈을 통해 클래스 불균형 문제를 해결한다."