ACPL: 半教師付き医療画像分類のための反カリキュラム疑似ラベリング

医療画像解析（MIA）における効果的な半教師あり学習（SSL）は、以下の2つの課題に取り組む必要があります：1) 多クラス問題（例：病変分類）と多ラベル問題（例：複数疾患診断）の両方で効果的に機能すること、2) 疾患の発症率に大きなばらつきがあるため、非平衡学習を処理することです。SSL MIAにおいて探索すべき1つの戦略は疑似ラベリングに基づくものですが、この方法にはいくつかの欠点があります。一般的に、疑似ラベリングは一貫性学習よりも精度が低く、多クラス問題と多ラベル問題の両方に特化して設計されていません。また、非平衡学習によって困難を抱えることがあります。本論文では、従来の方法が閾値により確信度の高い疑似ラベルを選択するのとは異なり、新しいSSLアルゴリズムである反カリキュラム疑似ラベリング（ACPL）を提案します。この方法は情報量のある未ラベルサンプルを選択する新規技術を導入し、学習バランスを改善するとともに、モデルが多クラス問題と多ラベル問題の両方に対応できるようにします。さらに、高精度な分類器アンサンブルによる疑似ラベルの推定を行うことで（疑似ラベル精度向上）、より良い結果を得ることができます。我々は広範な実験を行い、ACPLを2つの公開医療画像分類ベンチマークデータセットで評価しました：胸部X線画像14（Chest X-Ray14）における胸部疾患の多ラベル分類とISIC2018における皮膚病変の多クラス分類です。我々の手法は両データセットにおいて以前の最先端（SOTA）SSL手法を上回る性能を示しました。