A Self supervised learning framework for imbalanced medical imaging datasets
本文提出AMIMV方法，通过新的增强策略解决医学影像分类中的数据稀缺和类别不平衡问题，并评估了八种SSL方法在长尾分布和有限监督下的性能。
2026-04-02 cs.CV
Medical Knowledge-Guided Deep Learning for Imbalanced Medical Image Classification
University of Pittsburgh（匹兹堡大学）；National University of Defense Technology（国防科技大学）；University of Pittsburgh Medical Center Children’s Hospital of Pittsburgh（匹兹堡大学医学中心匹兹堡儿童医院）；Magee-Womens Hospital of University of Pittsburgh Medical Center（匹兹堡大学医学中心马吉妇女医院）
深度学习模型在各种图像分类任务上取得了卓越的性能。然而，当数据不平衡时，许多模型在临床或医疗环境中的性能有限。为了应对这一挑战，我们提出了一种医学知识指导的一类分类方法，利用特定领域的知识分类任务，以提高模型的性能。我们的方法背后的基本原理是，可以将一些现有的医学知识纳入数据驱动的深度学习中，以促进模型学习。我们为不平衡图像分类设计了一个基于深度学习的单类分类管道，并在三个用例中演示了我们如何通过生成额外的中间类来利用每个特定分类任务的医学知识，以实现更高的分类性能。我们在三个不同的临床图像分类任务（共8459张图像）上评估了我们的方法，并与六种最先进的方法相比，显示出优越的模型性能。本作品的所有代码将在论文被接受后公开提供。
2022-04-14 cs.CV eess.IV
Unified Focal loss: Generalising Dice and cross entropy-based losses to handle class imbalanced medical image segmentation
University of Cambridge（剑桥大学）；University of Salerno（萨莱诺大学）
自动分割方法是医学图像分析的一个重要进展。机器学习技术，特别是深度神经网络，是大多数医学图像分割任务的最新技术。类不平衡的问题对医学数据集构成了重大挑战，病变通常相对于背景占据相当小的体积。用于深度学习算法训练的损失函数在对类别不平衡的鲁棒性方面有所不同，这对模型收敛有直接影响。最常用的分割损失函数是基于交叉熵损失、骰子损失或两者的组合。我们提出了统一的焦点损失，一个新的层次框架，概括骰子和交叉熵为基础的损失处理类的不平衡。我们在五个公开的、类别不平衡的医学成像数据集上评估了我们提出的损失函数：CVC-ClinicDB、用于血管提取的数字视网膜图像（DRIVE）、乳腺超声2017（BUS 2017）、脑肿瘤分割2020（BraTS 20）和肾肿瘤分割2019（KiTS 19）。我们比较了我们的损失函数的性能与六个骰子或交叉熵为基础的损失函数，在2D二进制，3D二进制和3D多类分割任务，表明我们提出的损失函数是强大的类不平衡，并始终优于其他损失函数。源代码可从以下网址获得：https://github.com/mlyg/unified-focal-loss
2021-11-24 cs.CV cs.LG eess.IV
DHC: Dual-debiased Heterogeneous Co-training Framework for Class-imbalanced Semi-supervised Medical Image Segmentation
The Hong Kong University of Science and Technology（香港科技大学）
针对半监督3D医学图像分割中的类别不平衡问题，提出含两种去偏损失加权策略的DHC协同训练框架，性能优于现有最优半监督方法。
2023-07-22 cs.CV cs.LG eess.IV
Highly Efficient Representation and Active Learning Framework and Its Application to Imbalanced Medical Image Classification
Samsung SDS Research America（三星SDS美国研究院）
我们提出了一个高数据效率的主动学习框架图像分类。我们的新框架结合了：（1）卷积神经网络的无监督表示学习和（2）高斯过程（GP）方法，依次实现高度数据和标签有效的分类。此外，这两个元素对普遍存在的具有挑战性的类不平衡问题不太敏感，这要归功于（1）在没有标签的情况下学习的特征和（2）GP的贝叶斯性质。GP提供的不确定性估计通过基于不确定性对样本进行排序并选择性地标记显示较高不确定性的样本来实现主动学习。我们将这种新的组合应用于COVID-19胸部X线分类和Nerthus结肠镜分类严重失衡的病例。我们只证明这一点。需要10%的标记数据才能达到训练所有可用标签的准确性。我们还将我们的模型架构和建议框架应用于更广泛的数据集类别，并取得了预期的成功。
2022-06-20 cs.CV cs.LG eess.IV
Learning Discriminative Representation via Metric Learning for Imbalanced Medical Image Classification
Sun Yat-sen University（中山大学）
在模型训练过程中，常见病和罕见病之间的数据不平衡往往会导致智能诊断系统对常见病的预测有偏差。最先进的方法应用两阶段学习框架来缓解类不平衡问题，其中第一阶段专注于训练一般特征提取器，第二阶段专注于微调分类器头部以进行类重新平衡。然而，现有的两阶段方法没有考虑不同疾病之间的细粒度属性，通常导致第一阶段对于医学图像分类的效果不如对于自然图像分类任务的效果。在这项研究中，我们提出嵌入度量学习到两阶段框架的第一阶段，专门帮助特征提取器学习提取更多的判别特征表示。在三个医学图像数据集上的实验表明，该方法的性能始终优于现有的一阶段和两阶段方法，表明度量学习可以作为两阶段框架中的一个有效插件，用于细粒度类不平衡的图像分类任务。
2022-07-14 cs.CV
Does deep learning model calibration improve performance in class-imbalanced medical image classification?
National Library of Medicine, National Institutes of Health（美国国立卫生研究院国家医学图书馆）；Stanford University（斯坦福大学）
在医学图像分类任务中，经常会发现正常样本的数量远远超过异常样本的数量。在这种类不平衡的情况下，深度神经网络的可靠训练仍然是一个重大挑战。在这些情况下，预测的类概率可能偏向多数类。有人建议进行校准，以减轻其中一些影响。然而，没有足够的分析解释何时以及是否校准模型将有利于提高性能。在这项研究中，我们使用各种深度学习分类器主干，系统地分析了模型校准对其在两种医学图像模式（即胸部X光和眼底图像）上的性能的影响。为此，我们研究了以下变化：（i）用于训练的数据集的不平衡程度;（ii）校准方法;以及（iii）两个分类阈值，即默认决策阈值0.5，以及精确度-召回率曲线的最佳阈值。我们的结果表明，在默认操作阈值0.5时，通过校准实现的性能显著优于（p <0.05）使用未校准的概率。然而，在PR引导的阈值下，这些增益没有显著差异（p> 0.05）。这一发现适用于两种图像模式和不同程度的不平衡。
2021-10-11 cs.CV cs.LG eess.IV
Constrained Deep One-Class Feature Learning For Classifying Imbalanced Medical Images
University of Pittsburgh（匹兹堡大学）；National University of Defense Technology（国防科技大学）；University of Pittsburgh Medical Center Children’s Hospital of Pittsburgh（匹兹堡大学医学中心匹兹堡儿童医院）
医学图像数据通常在不同类别之间不平衡。单类分类通过区分少数类和多数类的样本来解决数据不平衡问题，引起了越来越多的关注。以前的方法通常旨在学习一个新的特征空间来将训练样本映射在一起，或者通过类似自动编码器的模型来拟合训练样本。这些方法主要集中在捕捉紧凑或描述性的功能，其中的信息，一个给定的一个类的样本没有得到充分利用。在本文中，我们提出了一种新的基于深度学习的方法，通过在瓶颈特征上添加约束来学习紧凑特征，同时通过训练自动编码器来保留描述性特征。通过联合优化约束损失和自动编码器的重构损失，我们的方法可以学习与给定类相关的更多相关特征，使多数和少数样本更容易区分。在三个临床数据集（包括MRI乳腺图像、FFDM乳腺图像和胸部X射线图像）上的实验结果与先前的方法相比获得了最先进的性能。
2022-04-14 cs.CV cs.LG eess.IV
Balanced-MixUp for Highly Imbalanced Medical Image Classification
Bournemouth University（伯恩茅斯大学）；University of Adelaide（阿德莱德大学）；Universitat Pompeu Fabra（庞培法布拉大学）；Catalan Institution for Research and Advanced Studies (ICREA)（加泰罗尼亚研究与高级研究机构（ICREA））
高度不平衡的数据集在医学图像分类问题中普遍存在。在这样的问题中，通常的情况是，与不太流行的疾病相关联的罕见类别在标记的数据库中严重表示不足，通常由于学习过程中的过拟合而导致机器学习算法的性能差。在本文中，我们提出了一种新的机制采样训练数据的基础上流行的混合正则化技术，我们称之为平衡混合。简而言之，Balanced-MixUp同时执行常规（即，基于实例的）和平衡的（即，基于类）对训练数据进行采样。然后将得到的两组样本混合，以创建一个更平衡的训练分布，神经网络可以从中有效地学习，而不会导致少数类严重拟合不足。我们使用高度不平衡的视网膜图像数据集（55 K样本，5类）和胃肠道视频帧的长尾数据集（10 K图像，23类）进行实验，使用两个具有不同表示能力的CNN。实验结果表明，应用Balanced-MixUp优于其他传统的采样方案和专门设计用于处理不平衡数据的损失函数。代码发布于https://github.com/agaldran/balanced_mixup。
2021-09-20 cs.CV
ProCo: Prototype-aware Contrastive Learning for Long-tailed Medical Image Classification
Xiaohe Healthcare, ByteDance（字节跳动小荷健康）；The University of Hong Kong（香港大学）
医学图像分类在医学图像分析中得到了广泛的应用。然而，由于在医学领域的数据采集和标记的困难，医学图像数据集通常是高度不平衡的。为了解决这个问题，以前的作品利用类样本作为重新加权或重新采样的先验，但特征表示通常仍然不够有区别。在本文中，我们采用对比学习来解决长尾医疗不平衡问题。具体来说，我们首先提出类别原型和对抗原型实例来生成代表性对比对。然后，原型重校准策略，提出了解决高度不平衡的数据分布。最后，设计了一个统一的原型损失训练我们的框架。整体框架，即原型感知的对比学习（ProCo），以端到端的方式统一为单级流水线，以缓解医学图像分类中的不平衡问题，这也是一个明显的进步，因为它们遵循传统的两级流水线。在两个高度不平衡的医学图像分类数据集上进行的大量实验表明，我们的方法大大优于现有的最先进的方法。
2022-09-01 cs.CV
PCCT: Progressive Class-Center Triplet Loss for Imbalanced Medical Image Classification
Sun Yat-Sen University（中山大学）
不平衡的训练数据是医学图像分类的一个重大挑战。在这项研究中，我们提出了一种新的渐进式类中心三联体（PCCT）框架，以减轻类不平衡的问题，特别是对罕见病的诊断，主要是通过仔细设计的三联体抽样策略和三联体损失的形成。具体而言，预防和打击腐败框架包括两个连续的阶段。在第一阶段，PCCT通过类平衡的三重损失来训练诊断系统，以粗略地分离不同类的分布。在第二阶段中，PCCT框架通过涉及三重丢失的类中心进一步改进诊断系统，以使每个类的分布更紧凑。对于类平衡的三元组丢失，在每次训练迭代中对每个类的三元组进行相等采样，从而缓解不平衡的数据问题。对于涉及三元组丢失的类中心，每个三元组中的正样本和负样本被其对应的类中心替换，这强制执行更接近类中心的相同类的数据表示。此外，类中心涉及三重损失扩展到两两排序损失和四重损失，这表明所提出的框架的推广。大量的实验支持PCCT框架有效地用于具有不平衡训练图像的医学图像分类。在两个皮肤图像数据集和一个胸部X射线数据集上，所提出的方法在所有类别上分别获得平均F1分数86.2，65.2和90.66，在罕见类别上分别获得平均F1分数81.4，63.87和81.92，实现了最先进的性能，并且优于广泛使用的方法来解决类别不平衡问题。
2022-07-11 cs.CV
Recurrent Contrastive Learning for Imbalanced Medical Image Classification
针对医学图像分类的类别不平衡问题，提出循环对比学习方法，通过复用历史特征扩充尾类支持区域，经多数据集验证性能优于强基线。
2026-08-05 cs.CV
A Tale of Two Classes: Adapting Supervised Contrastive Learning to Binary Imbalanced Datasets
Technical University of Munich（慕尼黑工业大学）；Munich Center for Machine Learning（慕尼黑机器学习中心）；Imperial College London（伦敦帝国学院）
针对监督对比学习在二分类不平衡数据集上表现不佳的问题，提出两种评估表示空间质量的新指标并设计适配的监督对比学习策略，最高可将下游分类准确率提升35%。
2025-03-21 cs.CV cs.LG
PRECISe : Prototype-Reservation for Explainable Classification under Imbalanced and Scarce-Data Settings
Microsoft Research India（微软研究院印度分部）；Microsoft India（微软印度公司）
针对医学图像分类中数据稀缺、类别不平衡与可解释性不足的问题，提出可解释模型PRECISe，在少量数据下实现了优于现有方法的少数类泛化性能，且预测结果易于解释。
2024-08-11 cs.CV
Addressing Small and Imbalanced Medical Image Datasets Using Generative Models: A Comparative Study of DDPM and PGGANs with Random and Greedy K Sampling
Department of Computer Science, Bowling Green State University（计算机科学系，布卢明顿州立大学）
针对医学图像数据集小且不均衡的问题，对比DDPM与PGGANs的增强效果，发现DDPM生成图像质量更优，可将分类准确率最高提升6%，随机采样稳定性更好，贪心K采样多样性更强。
2024-12-17 cs.AI cs.CV
FedIIC: Towards Robust Federated Learning for Class-Imbalanced Medical Image Classification
Huazhong University of Science and Technology（华中科技大学）；Hong Kong University of Science and Technology（香港科技大学）
提出FedIIC联邦学习方法，通过两级对比学习优化特征提取，并动态调整每类边际，以解决医学图像分类中的类别不平衡问题，提升少数类性能。
2023-07-26 cs.AI cs.CV
Iterative Refinement Strategy for Automated Data Labeling: Facial Landmark Diagnosis in Medical Imaging
The University of Melbourne（墨尔本大学）
针对医学影像面部关键点诊断中的自动标注难题，本文提出结合反馈机制与先进算法的迭代优化策略，以减少人工干预并提升标签质量及深度学习性能。
2024-04-08 cs.AI cs.CV cs.LG
Pre-text Representation Transfer for Deep Learning with Limited Imbalanced Data : Application to CT-based COVID-19 Detection
Edith Cowan University（伊迪丝·考恩大学）；University of Western Australia（西澳大学）
注释用于疾病检测的医学图像通常是繁琐且昂贵的。此外，给定任务的可用训练样本通常是稀缺和不平衡的。这些条件不利于学习有效的深度神经模型。因此，通常将在自然图像上训练的神经网络“转移”到医学图像领域。然而，由于自然图像数据和医学图像数据之间存在很大的域差距，这种模式缺乏性能。为了解决这个问题，我们提出了一个新的概念，前文本表示转移（PRT）。与传统的迁移学习（在替换其分类层后微调源模型）相比，PRT保留原始分类层并通过无监督的预文本任务更新表示层。该任务是用（原始的，而不是合成的）医学图像执行的，而不使用任何注释。这使得能够使用大量训练数据进行表示转移。这种高保真的表示转移允许我们使用生成的模型作为更有效的特征提取器。此外，我们还可以随后使用该模型执行传统的迁移学习。当我们利用模型作为特征提取器时，我们设计了一个基于协作表示的分类层。我们将这一层的输出与模型的预测相融合，该模型是通过在我们的预文本传输模型上执行传统的迁移学习来诱导的。我们的技术在有限和不平衡的数据分类问题上的实用性通过对三个大规模模型进行广泛的五重评估来证明，并针对基于CT的COVID-19检测的五种不同类别不平衡比率进行了测试。我们的研究结果表明，与传统的迁移学习所提出的方法一致的增益。
2023-01-21 cs.CV cs.LG eess.IV
Beta-Rank: A Robust Convolutional Filter Pruning Method For Imbalanced Medical Image Analysis
The University of Hong Kong（香港大学）；Boston University（波士顿大学）
针对深度网络在资源受限设备上难以处理不平衡医学数据的问题，提出Beta-Rank滤波器剪枝方法，通过结合滤波器输入输出与权重值评估重要性，在大幅减少FLOPs和参数的同时保持或提升基线模型性能，并经手机应用验证了内存与预测时间的显著降低。
2023-06-26 cs.CV
Self-Supervised Learning Featuring Small-Scale Image Dataset for Treatable Retinal Diseases Classification
Rice University（莱斯大学）；Boston University（波士顿大学）；Microsoft（微软公司）
本文针对小规模OCT视网膜图像数据，评估SSL与TL模型，证明MoCo-v2等自监督方法在平衡、不平衡及极少样本条件下分类性能更优。
2024-04-15 cs.CV cs.LG
Analyzing the Effects of Handling Data Imbalance on Learned Features from Medical Images by Looking Into the Models
Technical University of Munich (TUM)（慕尼黑工业大学）；Kyung Hee University（庆熙大学）；University of Munich (LMU)（慕尼黑大学）
潜伏在医学数据集中的一个具有挑战性的特性是不平衡的数据分布，其中不同类别之间的样本频率不平衡。在不平衡的数据集上训练模型可能会给学习问题带来独特的挑战，因为模型偏向于高频率的类。为了解决分布差异和不平衡问题，提出了许多方法。然而，这些方法对学习功能的影响还没有得到很好的研究。在本文中，我们深入研究了神经网络的内部单元，以观察处理数据不平衡如何影响学习的特征。我们研究了几种流行的用于处理数据不平衡的成本敏感方法，并从多个角度分析了卷积神经网络的特征图：分析显著特征与病理的对齐，并分析网络编码的病理相关概念。我们的研究揭示了关于训练模型的差异和见解，这些差异和见解没有通过AUROC和AP等定量指标反映出来，只能通过镜头观察模型来显示。
2022-04-04 cs.CV cs.LG eess.IV
Class Attention to Regions of Lesion for Imbalanced Medical Image Recognition
Hong Kong University of Science and Technology（香港科技大学）；Sun Yat-sen University（中山大学）；Southern University of Science and Technology（南方科技大学）；Peng Cheng Laboratory（鹏城实验室）
针对医学图像类别不平衡问题，提出CARE框架，通过训练阶段嵌入注意力模块让CNN关注罕见病病灶区域，还开发自动生成边界框的变体，实验验证其可显著提升罕见病分类性能。
2023-07-20 cs.CV
LMFLOSS: A Hybrid Loss For Imbalanced Medical Image Classification
North South University（北南大学）；Giga Tech Limited（吉加科技有限公司）；City Hospital（城市医院）
针对医学影像中的类别不平衡问题，本文提出由两种损失线性组合、兼顾少数类大间隔与困难样本加权的 LMF 损失，并在三种架构和四个数据集上验证其稳定提升效果。
2024-09-06 cs.AI cs.CV
NVUM: Non-Volatile Unbiased Memory for Robust Medical Image Classification
Australian Institute for Machine Learning（澳大利亚机器学习研究所）；University of Adelaide（阿德莱德大学）；Otto von Guericke University Magdeburg（马格德堡奥托·冯·格里克大学）
现实世界的大规模医学图像分析（MIA）数据集面临三个挑战：1）它们包含影响训练收敛和泛化的噪声标记样本，2）它们通常具有每个类的样本分布不平衡，以及3）它们通常包含多标签问题，其中样本可以有多个诊断。目前的方法通常被训练来解决这些问题的一个子集，但我们不知道同时解决这三个问题的方法。在本文中，我们提出了一个新的训练模块，称为非易失性无偏存储器（NVUM），非易失性存储运行平均的模型logits的一个新的正则化损失的噪声多标签问题。针对不平衡学习问题，我们进一步在NVUM更新中对分类预测进行了无偏处理。我们运行了大量的实验来评估本文提出的新基准上的NVUM，其中训练是在由Chest-Xray 14和CheXpert形成的嘈杂的多标签不平衡胸部X射线（CXR）训练集上进行的，测试是在干净的多标签CXR数据集OpenI和PadChest上进行的。我们的方法优于以前最先进的CXR分类器和以前的方法，可以处理所有评估上的噪声标签。我们的代码可在https://github.com/FBLADL/NVUM上获得。
2022-08-21 cs.CV
Conditional Generative Refinement Adversarial Networks for Unbalanced Medical Image Semantic Segmentation
Hasso-Plattner Institute（哈索·普拉特纳研究所）
针对医学图像语义分割中大部分像素属于健康区域而少数像素属于病变或非健康区域的问题，提出了一种新的生成对抗体系结构。用不平衡数据训练的模型倾向于偏向健康数据，这在临床应用中是不期望的，并且这些网络的预测输出具有高精度和低灵敏度。我们提出了一个新的条件生成精化网络，它由三个组成部分组成：生成网络，判别网络和精化网络，通过集成学习来缓解不平衡数据问题。生成式网络根据真阳性和真阴性图从判别式网络获得反馈，在像素级上学习到一个片段。另一方面，精化网络学习预测生成网络产生的假阳性和假阴性掩码，这具有重要的价值，特别是在医学应用中。然后，由三个网络的输出组成最终的语义分割掩码。所提出的架构显示了LiTS-2017肝脏病变分割的最新结果，以及两个显微镜细胞分割数据集MDA 231，PhC-HeLa。我们在BraTS-2017脑肿瘤分割方面取得了有竞争力的结果。
2018-10-09 cs.CV
In-Line Image Transformations for Imbalanced, Multiclass Computer Vision Classification of Lung Chest X-Rays
School of Professional Studies（专业研究学院）；Northwestern University（西北大学）
人工智能（AI）正在颠覆医学领域，因为现代技术的进步使普通家用计算机能够学习解剖和病理特征，这些特征能够以高度专业化，训练有素的医生的准确性区分健康和疾病。计算机视觉AI应用程序使用医学成像，例如肺部胸部X射线（LCXR），通过提供医生或放射科医生的解释之外的第二意见来促进诊断。考虑到当前冠状病毒疾病（COVID-19）大流行的到来，LCXR可以提供快速的见解来间接帮助控制感染，但是为新疾病生成可靠标记的图像数据集并不是一件容易的事情，在对抗全球大流行时也不是最优先的。卷积神经网络（CNN）等深度学习技术能够为其他肺部病变选择区分健康和疾病状态的特征;本研究旨在利用该文献，以应用图像转换，从而平衡COVID-19 LCXR数据的缺乏。此外，该研究利用简单的CNN架构进行高性能多类LCXR分类，准确率为94%。
2021-04-06 cs.CV cs.LG eess.IV
Dive into Self-Supervised Learning for Medical Image Analysis: Data, Models and Tasks
Shanghai Jiao Tong University（上海交通大学）；Institute of Medical Robotics（医疗机器人研究院）
本文通过大规模实验系统研究了自监督学习在医学图像分析中面对数据不平衡、网络架构、上下游任务适配及训练策略叠加时的表现，揭示了其提升稀有类别性能的积极作用及部分场景下收益有限甚至为负的现象，为医学SSL应用提供了实用指南。
2023-04-17 cs.CV
Recurrent Mask Refinement for Few-Shot Medical Image Segmentation
University of California, Irvine（加州大学欧文分校）
虽然在医学图像分割方面取得了巨大成功，但深度卷积神经网络通常需要带有手动注释的大型数据集进行训练，并且难以推广到不可见的类别。少样本学习有可能通过仅从几个标记的示例学习新的类来解决这些挑战。在这项工作中，我们提出了一个新的框架Few-Shot医学图像分割的基础上原型网络。我们的创新在于两个关键模块的设计：1）上下文关系编码器（CRE），使用相关性来捕获前景和背景区域之间的局部关系特征;和2）循环掩码细化模块，重复使用CRE和原型网络来捕获上下文关系的变化并迭代地细化分割掩码。在两个腹部CT数据集和一个腹部MRI数据集上的实验表明，该方法在DSC方面分别比现有方法平均提高了16.32%、8.45%和6.24%。代码是公开的。
2021-08-04 cs.CV
Transfer Learning with Ensembles of Deep Neural Networks for Skin Cancer Detection in Imbalanced Data Sets
University of Helsinki（赫尔辛基大学）
已经报道了几种用于从医学图像中准确检测皮肤癌的机器学习技术。这些技术中的许多基于预先训练的卷积神经网络（CNN），其使得能够基于有限量的训练数据来训练模型。然而，这些模型的分类精度仍然受到恶性肿瘤代表性图像稀缺的严重限制。我们提出了一种新的基于集成的CNN架构，其中使用元学习器组合多个CNN模型，其中一些是预先训练的，一些只在手头的数据上训练，以及与输入图像相关联的元数据形式的辅助数据。该方法提高了模型处理有限和不平衡数据的能力。我们使用来自2056名患者的33126张皮肤镜图像的数据集证明了所提出的技术的好处。我们评估所提出的技术在F1测量，ROC曲线下面积（AUC-ROC）和PR曲线下面积（AUC-PR）方面的性能，并将其与七种不同的基准方法进行比较，包括两种最近基于CNN的技术。所提出的技术比较有利的所有评价指标。
2021-05-17 cs.CV cs.LG
CPR: Chained Perceptual Refinement for Coarse-to-Fine Medical Image Classification
Nanjing University of Posts and Telecommunications（南京邮电大学）；University of Leicester（莱斯特大学）；University of Exeter（埃克塞特大学）；University of Surrey（萨里大学）
研究针对高分辨率医学图像分析难题，提出CPR框架，将其视为从全局到局部的决策过程，能动态预测细化区域，保持骨干网络输入大小固定，实验表明该方法在精度和效率上表现优异。
2026-07-07 cs.CV
SKID: Self-Supervised Learning for Knee Injury Diagnosis from MRI Data
Indian Statistical Institute（印度统计研究所）；Indian Institute of Technology Kharagpur（印度理工学院克勒格布尔分校）
在医学图像分析中，获取高质量数据及其专家注释的成本是许多医学应用的障碍。所使用的大多数技术都是基于监督学习框架的，需要大量的注释数据才能达到令人满意的性能。作为一种替代方案，在本文中，我们提出了一种自监督学习（SSL）的方法来学习的空间解剖表示从帧的磁共振（MR）的视频剪辑诊断膝关节的医疗条件。Prefect模型学习有意义的空间上下文不变表示。本文的下游任务是类不平衡多标签分类。不同的实验表明，由借口模型学习的特征在下游任务中提供了有竞争力的性能。此外，从结果中可以看出，所提出的借口模型在学习少数类的表示方面的效率和可靠性，而无需对数据集中的不平衡应用任何策略。据我们所知，这项工作是同类工作中的第一个显示的有效性和可靠性的自监督学习算法在类不平衡的多标签分类任务的MR视频。拟议工作的评价准则见https://github.com/sadimanna/skid。
2022-10-19 cs.CV cs.LG
SC-MIL: Supervised Contrastive Multiple Instance Learning for Imbalanced Classification in Pathology
PathAI Inc（PathAI公司）；University of Massachusetts（马萨诸塞大学）
针对病理图像标签与像素双重不平衡及OOD挑战，提出联合训练框架SC-MIL，通过解耦特征与分类器学习并引入有监督对比学习，在非小细胞肺癌和肾细胞癌亚型分类上取得显著提升。
2023-09-09 cs.CV cs.LG
CFR-Net:Collaborative Feature Refinement Network for Medical Image Anomaly Detection
Monash University（莫纳什大学）；Airdoc-Monash Research, Monash University（艾医智-莫纳什研究中心（莫纳什大学））
针对医学图像异常检测难题，提出CFR-Net，结合解码前后的特征细化与跨空间一致性，利用多路径特征细化模块及相关策略减轻域差异并建模多特征，实验显示该网络在正常数据训练下有良好的异常分类和定位性能。
2026-09-23 cs.CV
DWARF: Disease-weighted network for attention map refinement
ARTORG Center for Biomedical Engineering Research, University of Bern（伯尔尼大学ARTORG生物医学工程研究中心）；University of Zurich（苏黎世大学）
本文提出疾病加权注意力图细化网络DWARF，通过引入医学专家反馈和循环训练迭代优化注意力图，在多个医学影像数据集上同时提升模型可解释性与诊断准确性。
2024-06-28 cs.CV
PredRA: Fast Medical Image Translation by Deterministic Component Extraction and Controlled Stochastic Refinement
PredRA提出结合确定性组件提取与受控随机细化的快速医学图像翻译框架，在保持感知质量的同时提高保真度，并以更少参数和采样步数达到或超越更大模型性能。
2026-09-29 cs.CV
VGS-ATD: Robust Distributed Learning for Multi-Label Medical Image Classification Under Heterogeneous and Imbalanced Conditions
School of Computer Science, Queensland University of Technology（计算机科学学院，昆士兰理工大学）；Centre for Data Science, Queensland University of Technology（数据科学中心，昆士兰理工大学）；School of Mechanical, Medical, and Process Engineering, Queensland University of Technology（机械、医学和工艺工程学院，昆士兰理工大学）；Signal Processing, Artificial Intelligence and Vision Technologies (SAIVT), Queensland University of Technology（信号处理、人工智能和视觉技术（SAIVT），昆士兰理工大学）
VGS-ATD通过分布式学习框架在异质性和不平衡条件下实现多标签医学图像分类的高准确率和高效性。
2025-12-08 cs.CR cs.CV
ACPL: Anti-curriculum Pseudo-labelling for Semi-supervised Medical Image Classification
Australian Institute for Machine Learning, University of Adelaide（阿德莱德大学澳大利亚机器学习研究所）；Universität Ulm（乌尔姆大学）
有效的医学图像分析（MIA）中的半监督学习（SSL）必须解决两个挑战：1）有效地工作在多类（例如，病变分类）和多标记（例如，多疾病诊断）问题，以及2）处理不平衡的学习（由于疾病流行率的高方差）。在SSL MIA中探索的一种策略是基于伪标签策略，但它有一些缺点。伪标签的准确性通常低于一致性学习，它不是专门为多类和多标签问题设计的，并且可能受到不平衡学习的挑战。在本文中，不同于传统的通过阈值选择置信伪标签的方法，我们提出了一种新的SSL算法，称为反课程伪标签（ACPL），该算法引入了新的技术来选择信息丰富的未标记样本，改善了训练平衡，并允许模型适用于多标签和多类问题，以及通过分类器的精确集合来估计伪标签（提高伪标签精度）。我们在两个公共医学图像分类基准上进行了广泛的实验来评估ACPL：胸部疾病多标签分类的胸部X射线14和皮肤病变多类分类的ISIC 2018。我们的方法在两个数据集上都优于以前的SOTA SSL方法
2022-03-21 cs.CV
Edge Detection for Organ Boundaries via Top Down Refinement and SubPixel Upsampling
本文提出一种医学聚焦的清晰边缘检测器，通过自上而下反向细化架构和子像素上采样，提升器官边界定位精度，实验表明在严格标准下优于传统方法，提升分割、配准和病变界定效果。
2026-05-07 cs.CV
Two-Stage Resampling for Convolutional Neural Network Training in the Imbalanced Colorectal Cancer Image Classification
AGH University of Science and Technology（AGH科技大学）
数据不平衡是当代机器学习面临的一个公开挑战。它在医学数据的情况下特别普遍，例如组织病理学图像。处理数据不平衡的传统数据级方法不适用于图像数据：过采样方法（如SMOTE及其衍生物）会导致创建不切实际的合成观察结果，而欠采样会减少可用数据量，这对于成功训练卷积神经网络至关重要。为了缓解与过采样和欠采样相关的问题，我们提出了一种新的两阶段重采样方法，在该方法中，我们首先在图像空间中使用过采样技术来利用大量数据来训练卷积神经网络，然后在特征空间中应用欠采样来微调网络的最后几层。结肠直肠癌图像数据集上进行的实验表明，所提出的方法的实用性。
2021-04-17 cs.CV cs.LG stat.ML
Beyond Explanation: Debugging Medical Imaging Models via Concept Intervention
Iowa State University（爱荷华州立大学）；Mayo Clinic（梅奥诊所）
提出即插即用的概念干预框架，通过构建概念瓶颈模型实现医学影像模型的可解释调试与细化，在超声和X射线数据集上验证了其诊断可靠性并保持或提升性能。
2026-10-08 cs.CV cs.LG
General-to-Detailed GAN for Infrequent Class Medical Images
RIKEN（理化学研究所）；University of Tsukuba（筑波大学）
深度学习在医学成像方面具有巨大的潜力。然而，由于每种疾病的发病率变化很大，医学图像数据集中的类的频率是不平衡的，导致这种不频繁的类的准确性差。一种可能的解决方案是使用生成对抗网络（GANs）创建的合成图像对不常见的类别进行数据增强，但传统的GANs也需要一定数量的图像来学习。为了克服这一限制，在这里我们提出了一般到详细的GAN（GD GAN），串联连接两个GANs，一个用于一般标签，另一个用于详细标签。GDGAN生成了各种医学图像，并且使用增强数据集训练的网络在受试者工作特征（ROC）曲线的曲线下面积（AUC）方面优于使用现有方法的其他网络。
2018-11-28 cs.CV cs.LG stat.ML
SLT: Robust Quantum Neural Networks for Noisy-Label Medical Image Classification via Supermartingale-based Label Transition
Boise State University（博伊西州立大学）；Indiana University Indianapolis（印第安纳大学印第安纳波利斯分校）；University of Notre Dame（圣母大学）；University of Cincinnati（辛辛那提大学）
针对小规模医学图像分类中噪声标签学习难题，提出基于上鞅的标签转换（SLT）框架用于鲁棒量子神经网络分类，通过建模熵减少为上鞅识别稳定转换步骤，实验证明其能提升分类性能并优于经典基线。
2026-07-21 cs.CV cs.LG
Class-Specific Distribution Alignment for Semi-Supervised Medical Image Classification
Minjiang University（闽江学院）；Fuzhou University（福州大学）；Fujian Agriculture and Forestry University（福建农林大学）；European University Cyprus（塞浦路斯欧洲大学）
针对医学图像分类中数据标注耗时且类别分布不平衡的问题，提出基于自训练的半监督学习框架类特定分布对齐（CSDA）及可变条件队列（VCQ）模块，通过捕获类相关边缘预测避免多数类偏倚，在三个公开数据集上取得有竞争力的性能。
2023-07-29 cs.CV
Demonstrating The Risk of Imbalanced Datasets in Chest X-ray Image-based Diagnostics by Prototypical Relevance Propagation
UiT The Arctic University of Norway（挪威北极大学）；Technical University of Berlin（柏林工业大学）
最近集成多源胸部X射线数据集以改善自动诊断的趋势引起了人们的担忧，即模型通过识别图像的源域而不是医学病理学来学习利用源特定的相关性以提高性能。我们假设这种效应是由源域之间的标签不平衡（即，与源相对应的疾病的患病率）强制执行的。因此，在这项工作中，我们对广泛使用的ChestX-ray 14和CheXpert数据集上肺炎检测任务的多源训练中标签不平衡的影响进行了深入研究。这些结果突出并强调了使用更忠实和透明的自我解释模型进行自动诊断的重要性，从而实现对虚假学习的内在检测。他们进一步说明，学习虚假相关性的这种不良影响可以大大减少，当确保标签平衡的源域数据集。
2022-01-10 cs.CV cs.LG eess.IV
Label Refinement Network from Synthetic Error Augmentation for Medical Image Segmentation
Erasmus MC（伊拉斯谟医学中心）；Radboud University（拉德堡德大学）
用于图像分割的深度卷积神经网络不会显式地学习标签结构，并且可能产生具有不正确结构的分割，例如，在诸如气道或血管的树状结构的分段中具有不连续的圆柱形结构。在本文中，我们提出了一种新的标签细化方法来纠正这种错误的初始分割，隐含地将标签结构的信息。该方法具有两个新颖的部分：1）生成合成结构错误的模型，以及2）产生与真实初始分割外观相似的合成分割（具有错误）的标签外观模拟网络。使用这些合成分割和原始图像，训练标签细化网络以校正错误并改善初始分割。所提出的方法进行了验证两个分割任务：气道分割胸部计算机断层扫描（CT）扫描和脑血管分割的3D CT血管造影（CTA）图像的大脑。在这两个应用中，我们的方法明显优于标准3D U-Net和其他以前的细化方法。当额外的未标记数据用于模型训练时，改进甚至更大。在消融研究中，我们证明了所提出的方法的不同组成部分的价值。
2022-10-09 cs.CV eess.IV
RA-GCN: Graph Convolutional Network for Disease Prediction Problems with Imbalanced Data
Sharif University of Technology（谢里夫理工大学）；Technical University of Munich（慕尼黑工业大学）；Johns Hopkins University（约翰斯·霍普金斯大学）
疾病预测是医学应用中众所周知的分类问题。GCN提供了一个强大的工具，用于分析患者的功能相对于彼此。这可以通过将问题建模为图节点分类任务来实现，其中每个节点都是患者。由于这种医疗数据集的性质，类不平衡是疾病预测领域的一个普遍问题，其中类的分布是偏斜的。当数据中存在类别不平衡时，现有的基于图的分类器倾向于偏向主类而忽略次类中的样本。另一方面，对所有患者中罕见阳性病例的正确诊断在医疗保健系统中至关重要。在常规方法中，通过向损失函数中的类分配适当的权重来解决这种不平衡，所述损失函数仍然依赖于权重的相对值，对离群值敏感，并且在某些情况下偏向于次要类。在本文中，我们提出了一个重新加权对抗图卷积网络（RA-GCN），以防止基于图的分类器强调任何特定类别的样本。这是通过将基于图的神经网络与每个类相关联来实现的，该网络负责对类样本进行加权并改变每个样本对于分类器的重要性。因此，分类器会自我调整并确定类之间的边界，更多地关注重要样本。分类器和加权网络的参数通过对抗方法进行训练。我们展示了合成和三个公开的医疗数据集上的实验。RA-GCN证明了与最近的方法相比，在所有三个数据集上识别患者状态的优越性。详细的分析是作为定量和定性实验合成数据集。
2021-11-07 cs.LG
DeepMCAT: Large-Scale Deep Clustering for Medical Image Categorization
Imperial College London（帝国理工学院）；Technical University of Munich（慕尼黑工业大学）
近年来，医学成像中机器学习的研究领域发生了巨大变化，从监督到半监督，弱监督或无监督方法。这主要是由于地面实况标签手动获取耗时且昂贵。从患者元数据生成标签可能是可行的，但它会受到用户引起的错误的影响，这些错误会引入偏见。在这项工作中，我们提出了一种无监督的方法来自动聚类和分类大规模的医学图像数据集，重点是心脏MR图像，而不使用任何标签。我们研究了使用类平衡和不平衡大规模数据集的端到端训练。我们的方法能够创建具有高纯度的聚类，并在这些数据集上实现了超过0.99的聚类纯度。结果表明，所提出的方法分类非结构化的大型医疗数据库，如组织临床PACS系统在医院的潜力。
2021-09-30 cs.CV cs.LG eess.IV
Open-Set Semi-Supervised Learning for Long-Tailed Medical Datasets
Mohamed bin Zayed University of AI（穆罕默德·本·扎耶德人工智能大学）；IBM Research（IBM研究院）；Johns Hopkins University（约翰斯·霍普金斯大学）
针对现实医学影像数据长尾不平衡、存在未见过类别且数据稀缺的问题，提出一种结合特征级正则化与分类器归一化的半监督开集学习方法，在多个公开数据集上有效提升了闭集与开集分类准确率。
2025-05-20 cs.CV
MediTab: Scaling Medical Tabular Data Predictors via Data Consolidation, Enrichment, and Refinement
GE Healthcare（GE医疗）；University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Carle Illinois College of Medicine, University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校卡尔伊利诺伊医学院）
MediTab 通过基于大语言模型的数据整合、标注与精化流程扩展医疗表格训练数据，使预测器无需微调即可泛化到任意表格输入，并在患者和试验结局预测中显著优于有监督基线。
2024-04-30 cs.AI cs.LG
Dual-distribution discrepancy with self-supervised refinement for anomaly detection in medical images
The Hong Kong University of Science and Technology（香港科技大学）；Huazhong University of Science and Technology（华中科技大学）
医学异常检测是一项重要而又具有挑战性的任务，旨在识别异常图像以辅助诊断。由于异常图像的高成本注释，大多数方法在训练期间仅利用已知的正常图像，并且在测试阶段将偏离正常轮廓的样本识别为异常。因此，在训练阶段忽略了许多容易获得的包含异常的未标记图像，限制了性能。为了解决这个问题，我们引入一类半监督学习（OC-SSL），利用已知的正常和未标记的图像进行训练，并提出了双分布离散异常检测（DDAD）基于此设置。设计了重建网络的集合来模拟正态图像的分布以及正态图像和未标记图像的分布，导出了规范分布模块（NDM）和未知分布模块（UDM）。随后，NDM的内部差异和两个模块之间的差异被设计为异常分数。此外，我们提出了一个新的视角自监督学习，这是旨在完善异常分数，而不是直接检测异常。五个医疗数据集，包括胸部X射线，脑MRI和视网膜眼底图像，被组织作为评估的基准。在这些基准上的实验全面比较了各种异常检测方法，并证明我们的方法取得了显着的收益，优于最先进的。代码和有组织的基准可在https://github.com/caiyu6666/DDAD-ASR。
2023-03-18 cs.CV
Towards Data-Efficient Medical Imaging: A Generative and Semi-Supervised Framework
Dept. of Electrical and Electronic Engineering Imperial College London（电气与电子工程系帝国理工学院伦敦）；Centre for Vision, Speech and Signal Processing University of Surrey（视觉、语音和信号处理中心萨里大学）
针对医学影像标注稀缺问题，提出SSGNet生成式半监督框架，结合类别特定生成与迭代伪标签增强现有模型，在多个基准上提升分类分割性能。
2025-10-07 cs.CV
CRISP: Constrained Refinement via Iterative Squeezing Process for Robust Medical Image Segmentation under Domain Shift
针对医学成像域转移问题，提出CRISP模型无关框架，利用“正区域的秩稳定性”假设，通过潜在特征扰动获取双先验并递归细化，经迭代训练框架提升分割精度，在多中心实验中显著优于现有方法。
2026-07-17 cs.CV
Chest X-rays Classification: A Multi-Label and Fine-Grained Problem
Monash University（莫纳什大学）；IBM Research Australia（IBM澳大利亚研究院）
广泛使用的ChestX-ray 14数据集解决了一个重要的医学图像分类问题，并具有以下注意事项：1）许多肺部病理在视觉上是相似的，2）包括肺癌，结核病和肺炎在内的疾病变体存在于单次扫描中，即多个标签和3）健康图像的发生率远远大于患病样本，产生不平衡的数据。这些性质在医学领域是常见的。现有文献使用最先进的DensetNet/Resnet模型进行转移学习，其中网络的输出神经元针对个体疾病进行训练，以满足每个图像中的多个疾病标签。然而，他们中的大多数没有考虑多个类之间的关系。在这项工作中，我们提出了一种新的误差函数，多标签Softmax损失（MSML），专门解决多个标签和不平衡数据的属性。此外，我们还设计了基于细粒度分类概念的深度网络架构，其中包含MSML。我们已经在各种网络骨干上评估了我们提出的方法，并在ChestX-ray 14数据集上显示了AUC-ROC分数的一致性能改进。所提出的误差函数提供了一种新的方法，以在更广泛的医疗数据集上获得更好的性能。
2018-07-24 cs.CV
Recursive Refinement Network for Deformable Lung Registration between Exhale and Inhale CT Scans
Columbia University（哥伦比亚大学）；Columbia University Medical Center（哥伦比亚大学医学中心）；University of Iowa（爱荷华大学）
近年来，基于无监督学习的医学图像配准方法得到了迅速发展。我们建议重新审视一个通常被忽视，而简单和完善的原则：递归细化变形向量场跨尺度。本文提出了一种用于无监督医学图像配准的递归精化网络（RRN），提取多尺度特征，构造归一化局部代价相关体，递归精化体变形向量场。RRN实现了CT肺部扫描的呼气-吸气对的3D配准的最新性能。在DirLab COPDGene数据集上，RRN返回的平均目标配准误差（TRE）为0.83 mm，这相当于从排行榜中呈现的最佳结果减少了13%的误差。除了与传统方法进行比较外，与基于深度学习的对等方法相比，RRN还减少了89%的错误。
2021-06-14 cs.AI cs.CV cs.LG
