基于特征类内紧凑性的不平衡医学图像分类方法

近些年，基于深度学习的算法和模型在各种图像分析任务中都取得了显著的成功，与常见的自然图像相比，医学图像数据集依然面临高度不平衡的问题，不平衡数据会导致特征空间里的决策边缘倾向样本多的类别，导致分类效果的下降.为了解决该问题，提出一种基于卷积神经网络考虑特征类内紧凑性的不平衡医学图像分类方法（Z-Score Compactness-based Convolutional Neural Network,ZC3NC）.首先，从一个卷积神经网络的最后一层卷积层提取训练集样本与测试集样本的特征图，随后引入一个新的Z分数来度量测试集数据的特征图相对训练集每个类在特征空间上的偏离度，偏离度的度量基于类内的紧凑度，其主要关注样本的分布特性，对各类样本数量的不平衡性不敏感.最终，根据计算的偏离度，对测试集的数据进行分类.在DermaMNIST数据集上的实验表明，在不对数据和神经网络模型做任何额外增强的情况下，该方法的平衡准确率比原卷积神经网络模型平均提高11.15%，最多提高14.08%，证明提出的分类方法能有效地提高多种卷积神经网络对不平衡医学图像数据的分类性能.此外，和最先进的不平衡分类方法 Und...