ACPL: 반대 커리큘럼 가짜 라벨링을 이용한 준지도 의료 이미지 분류

의료 이미지 분석(MIA)에서 효과적인 준지도 학습(SSL)은 두 가지 도전 과제를 해결해야 합니다: 1) 다중 클래스(예: 병변 분류)와 다중 라벨(예: 다발성 질병 진단) 문제 모두에서 효과적으로 작동하고, 2) 질병 유병률의 큰 변동으로 인한 불균형 학습을 처리해야 합니다. SSL MIA에서 탐색할 수 있는 한 가지 전략은 의사 라벨링 전략을 기반으로 하는 것입니다. 그러나 이 방법에는 몇 가지 단점이 있습니다. 일반적으로 의사 라벨링은 일관성 학습보다 정확도가 낮으며, 다중 클래스와 다중 라벨 문제 모두에 특별히 설계되지 않았으며, 불균형 학습에 대한 대처 능력이 부족합니다. 본 논문에서는 임계값을 사용하여 신뢰할 수 있는 의사 라벨을 선택하는 기존 방법과 달리, 새로운 SSL 알고리즘인 반커리큘럼 의사 라벨링(ACPL, Anti-Curriculum Pseudo-Labeling)을 제안합니다. 이 알고리즘은 정보가 풍부한 미라벨 샘플을 선택하기 위한 혁신적인 기술을 도입하여 학습 균형을 개선하고, 모델이 다중 라벨 및 다중 클래스 문제 모두에서 작동할 수 있도록 하며, 정확한 분류기 앙상블을 통해 의사 라벨을 추정하여(의사 라벨 정확도 향상) 성능을 개선합니다. 우리는 Chest X-Ray14와 ISIC2018라는 두 공개 의료 이미지 분류 벤치마크 데이터셋에서 ACPL의 성능을 평가하기 위해 광범위한 실험을 수행했습니다. Chest X-Ray14는 흉부 질병의 다중 라벨 분류를 위한 것이고, ISIC2018는 피부 병변의 다중 클래스 분류를 위한 것입니다. 우리의 방법은 두 데이터셋 모두에서 이전 최고 성능(SOTA, State-of-the-Art) SSL 방법들을 능가하는 결과를 보였습니다.