ACPL：半监督医学图像分类中的反课程伪标记

在医学图像分析（MIA）中实现有效的半监督学习（SSL）必须解决两个挑战：1) 在多分类（例如，病灶分类）和多标签（例如，多种疾病诊断）问题上均能有效工作；2) 处理不平衡学习问题（由于疾病患病率的高差异）。一种在SSL MIA中探索的策略是基于伪标签策略，但该策略存在一些不足之处。总体而言，伪标签的准确性低于一致性学习，它并未专门设计用于处理多分类和多标签问题，并且在处理不平衡学习时也面临挑战。本文提出了一种新的SSL算法，称为反课程伪标签（Anti-Curriculum Pseudo-Labeling, ACPL），该算法引入了新颖的技术来选择具有信息量的未标记样本，从而改善训练平衡，并使模型能够同时适用于多标签和多分类问题。此外，ACPL通过准确的分类器集成来估计伪标签（提高伪标签的准确性）。我们进行了广泛的实验，以评估ACPL在两个公开的医学图像分类基准数据集上的表现：Chest X-Ray14用于胸部疾病多标签分类，ISIC2018用于皮肤病变多分类。我们的方法在这两个数据集上均优于以往的最佳半监督学习方法。