ACPL : Anti-curriculum Pseudo-étiquetage pour la Classification Semi-supervisée d'Images Médicales

L'apprentissage semi-supervisé efficace (SSL) en analyse d'images médicales (MIA) doit relever deux défis : 1) fonctionner efficacement à la fois sur des problèmes multiclasse (par exemple, la classification de lésions) et multietiquettes (par exemple, le diagnostic de multiples maladies), et 2) gérer l'apprentissage déséquilibré (en raison de la forte variance dans la prévalence des maladies). Une stratégie à explorer dans le SSL MIA est basée sur la méthode de pseudo-étiquetage, mais elle présente quelques inconvénients. En général, le pseudo-étiquetage a une précision inférieure à celle de l'apprentissage par cohérence, il n'est pas spécifiquement conçu pour les problèmes multiclasse et multietiquettes, et il peut être confronté à l'apprentissage déséquilibré. Dans cet article, contrairement aux méthodes traditionnelles qui sélectionnent les étiquettes pseudo-confiantes par seuil, nous proposons un nouvel algorithme SSL appelé pseudo-étiquetage anti-curriculum (ACPL), qui introduit des techniques innovantes pour sélectionner des échantillons non étiquetés informatifs, améliorant l'équilibre de l'entraînement et permettant au modèle de traiter à la fois des problèmes multietiquettes et multiclasse, ainsi que d'estimer les étiquettes pseudo-par un ensemble précis de classifieurs (améliorant la précision des étiquettes pseudo).Nous menons des expériences approfondies pour évaluer ACPL sur deux benchmarks publics de classification d'images médicales : Chest X-Ray14 pour la classification multietiquette des maladies thoraciques et ISIC2018 pour la classification multiclasse des lésions cutanées. Notre méthode surpasses les méthodes SSL SOTA précédentes sur les deux jeux de données.