LMFLOSS: A Hybrid Loss For Imbalanced Medical Image Classification

要約

デジタル技術の進歩に伴い、医療画像の分類は、画像ベースの臨床意思決定支援システムにとって重要なステップとなっています。
医療画像の自動分類は、AI の使用が重大な社会的影響を生み出す可能性を秘めた極めて重要な領域です。
しかし、いくつかの課題が、実用的で効果的なソリューションの開発の障害となっています。
これらの課題の 1 つは、ほとんどの医療画像データセットで蔓延しているクラスの不均衡の問題です。
その結果、既存の AI 技術、特にディープラーニングベースの方法論は、そのようなシナリオではパフォーマンスが低下することがよくあります。
この研究では、医用画像処理におけるクラス不均衡問題を軽減するために、Large Margin aware Focal (LMF) 損失と呼ばれる新しいフレームワークを提案します。
LMF 損失は、2 つのハイパーパラメータによって最適化された 2 つの損失関数の線形結合を表します。
このフレームワークは、少数派のクラスに対してより広いマージンを強制すると同時に、データセット内で見つかった困難なサンプルを強調することにより、両方の損失関数の明確な特性を利用します。
私たちは 3 つのニューラル ネットワーク アーキテクチャと 4 つの医療画像データセットを使用して厳密な実験を実行します。
私たちは、提案したフレームワークが他のベースライン手法よりも常に優れているという経験的証拠を提供し、マクロ f1 スコアで 2% ～ 9% の改善を示しています。
また、f1 スコアのクラスごとの分析を通じて、提案されたフレームワークが少数派クラスのパフォーマンスをどのように大幅に向上させることができるかを示します。
私たちの実験の結果は、私たちが提案したフレームワークが、さまざまなアーキテクチャやデータセットにわたって一貫して良好に動作できることを示しています。
全体として、私たちの研究は、医療画像データセットにおけるクラスの不均衡問題に対処するためのシンプルで効果的なアプローチを示しています。
私たちの研究が、医療画像分類に対するより一般化されたアプローチに向けた新しい研究のきっかけとなることを願っています。

要約(オリジナル)

With advances in digital technology, the classification of medical images has become a crucial step for image-based clinical decision support systems. Automatic medical image classification represents a pivotal domain where the use of AI holds the potential to create a significant social impact. However, several challenges act as obstacles to the development of practical and effective solutions. One of these challenges is the prevalent class imbalance problem in most medical imaging datasets. As a result, existing AI techniques, particularly deep-learning-based methodologies, often underperform in such scenarios. In this study, we propose a novel framework called Large Margin aware Focal (LMF) loss to mitigate the class imbalance problem in medical imaging. The LMF loss represents a linear combination of two loss functions optimized by two hyperparameters. This framework harnesses the distinct characteristics of both loss functions by enforcing wider margins for minority classes while simultaneously emphasizing challenging samples found in the datasets. We perform rigorous experiments on three neural network architectures and with four medical imaging datasets. We provide empirical evidence that our proposed framework consistently outperforms other baseline methods, showing an improvement of 2%-9% in macro-f1 scores. Through class-wise analysis of f1 scores, we also demonstrate how the proposed framework can significantly improve performance for minority classes. The results of our experiments show that our proposed framework can perform consistently well across different architectures and datasets. Overall, our study demonstrates a simple and effective approach to addressing the class imbalance problem in medical imaging datasets. We hope our work will inspire new research toward a more generalized approach to medical image classification.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google