ACPL: التسمية الوهمية المضادة للمنهاج لتصنيف الصور الطبية شبه المشرف عليها

التعلم شبه المشرف (SSL) الفعال في تحليل الصور الطبية (MIA) يجب أن يواجه تحديين رئيسيين: 1) يعمل بشكل فعال على مشاكل التصنيف متعدد الأصناف (مثل تصنيف البؤر المرضية) والتصنيف متعدد العلامات (مثل تشخيص أمراض متعددة)، و2) التعامل مع التعلم غير المتوازن بسبب التباين الكبير في انتشار الأمراض. إحدى الاستراتيجيات التي يمكن استكشافها في SSL MIA تعتمد على استراتيجية التسمية الوهمية، ولكن لها بعض العيوب. عادةً ما تكون دقة التسمية الوهمية أقل من دقة التعلم بالتوافق، وليس مصممًا خصيصًا للتعامل مع مشاكل التصنيف متعدد الأصناف والتصنيف متعدد العلامات، ويمكن أن يواجه تحديات في التعامل مع التعلم غير المتوازن. في هذا البحث، وعلى عكس الطرق التقليدية التي تختار التسميات الوهمية الثابتة باستخدام حدود عتبة، نقترح خوارزمية تعلم شبه مشرف جديدة تُعرف باسم "التسمية الوهمية المعكوسة" (ACPL)، والتي تقدم تقنيات جديدة لاختيار العينات غير المصنفة ذات المعلومات الغنية، مما يحسن توازن التدريب ويتيح للنموذج العمل على مشاكل التصنيف متعدد العلامات والتصنيف متعدد الأصناف، بالإضافة إلى تقدير التسميات الوهمية بمساعدة مصنفات دقيقة ومجمعة (ما يحسن دقة التسميات الوهمية). قمنا بإجراء تجارب واسعة لتقييم ACPL على منصتين عامتين لتصنيف الصور الطبية: Chest X-Ray14 لتصنيف أمراض الصدر بتعدد العلامات وISIC2018 لتصنيف البؤر الجلدية بتعدد الأصناف. أثبتت طريقتنا أنها أفضل من أفضل الطرق السابقة في SSL على كلا المجموعتين.