PCCT: Progressive Class-Center Triplet Loss for Imbalanced Medical Image Classification

要約

不均衡なトレーニングデータは、医用画像分類にとって重要な課題です。
この研究では、主にトリプレットサンプリング戦略とトリプレット損失形成を注意深く設計することにより、特に希少疾患の診断におけるクラスの不均衡の問題を軽減するための新しいプログレッシブクラスセンタートリプレット（PCCT）フレームワークを提案します。
具体的には、PCCTフレームワークには2つの連続したステージが含まれます。
最初の段階では、PCCTは、クラスバランスの取れたトリプレット損失を介して診断システムをトレーニングし、異なるクラスの分布を大まかに分離します。
第2段階では、PCCTフレームワークは、クラスセンターに関連するトリプレット損失を介して診断システムをさらに改善し、各クラスのよりコンパクトな分布を実現します。
クラスバランスのとれたトリプレット損失の場合、各トレーニングの反復でクラスごとにトリプレットが均等にサンプリングされるため、データの不均衡の問題が軽減されます。
トリプレット損失を伴うクラスセンターの場合、各トリプレットの正と負のサンプルは、対応するクラスセンターに置き換えられます。これにより、クラスセンターに近い同じクラスのデータ表現が適用されます。
さらに、クラスセンターに含まれるトリプレット損失は、ペアワイズランキング損失とクアドラプレット損失に拡張され、提案されたフレームワークの一般化を示しています。
広範な実験は、PCCTフレームワークが不均衡なトレーニング画像を使用した医用画像分類に効果的に機能することをサポートしています。
2つの皮膚画像データセットと1つの胸部X線データセットで、提案されたアプローチはそれぞれ、すべてのクラスで平均F1スコア86.2、65.2、および90.66を取得し、まれなクラスでは81.4、63.87、および81.92を取得し、最先端を達成します。
パフォーマンスと、クラスの不均衡の問題で広く使用されているメソッドよりも優れています。

要約(オリジナル)

Imbalanced training data is a significant challenge for medical image classification. In this study, we propose a novel Progressive Class-Center Triplet (PCCT) framework to alleviate the class imbalance issue particularly for diagnosis of rare diseases, mainly by carefully designing the triplet sampling strategy and the triplet loss formation. Specifically, the PCCT framework includes two successive stages. In the first stage, PCCT trains the diagnosis system via a class-balanced triplet loss to coarsely separate distributions of different classes. In the second stage, the PCCT framework further improves the diagnosis system via a class-center involved triplet loss to cause a more compact distribution for each class. For the class-balanced triplet loss, triplets are sampled equally for each class at each training iteration, thus alleviating the imbalanced data issue. For the class-center involved triplet loss, the positive and negative samples in each triplet are replaced by their corresponding class centers, which enforces data representations of the same class closer to the class center. Furthermore, the class-center involved triplet loss is extended to the pair-wise ranking loss and the quadruplet loss, which demonstrates the generalization of the proposed framework. Extensive experiments support that the PCCT framework works effectively for medical image classification with imbalanced training images. On two skin image datasets and one chest X-ray dataset, the proposed approach respectively obtains the mean F1 score 86.2, 65.2, and 90.66 over all classes and 81.4, 63.87, and 81.92 for rare classes, achieving state-of-the-art performance and outperforming the widely used methods for the class imbalance issue.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google