深度学习模型在各种图像分类任务上取得了显着性能。然而，当数据不平衡时，许多模型在临床或医疗环境中遭受有限的性能。为了解决这一挑战，我们提出了一种医疗知识引导的单级分类方法，可以利用具体域的分类任务知识来提高模型的性能。我们的方法背后的理由是，一些现有的先前医学知识可以纳入数据驱动的深度学习，以促进模型学习。我们设计了一个基于深入的学习的单级分类管道，用于不平衡图像分类，并在三种用例中演示我们如何通过生成额外的中产阶级来利用每个特定分类任务的医学知识来实现更高的分类性能。我们在三种不同的临床图像分类任务中评估我们的方法（共8459张图像），与六种最先进的方法相比，显示出卓越的模型性能。这项工作的所有代码将在接受纸张后公开提供。
translated by 谷歌翻译
医学图像数据通常在不同的类上不平衡。一流的分类吸引了通过区分多数阶级的少数阶级样本来解决数据不平衡问题的越来越关注。以前的方法通常旨在学习一个新的特征空间来将培训样本映射到一起或通过自动级别的模型拟合训练样本。这些方法主要集中在捕获紧凑或描述性特征，其中不充分利用给定的一个类的样本的信息。在本文中，我们提出了一种基于深度学习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的功能，并通过同时培训AutoEncoder来保护描述性功能。通过联合优化约束损失和自动统计学家的重建损失，我们的方法可以了解与给定类相关的更相关的功能，使大多数和少数群体样本更有区别。与先前的方法相比，三个临床数据集（包括MRI乳房图像，FFDM乳房图像和胸部X射线图像）的实验结果获得了最先进的性能。
translated by 谷歌翻译