.png){kind=icon}
返回
Adversarial and Correlation-Aware Data Augmentation Framework for Multi-Label Chest X-Ray Image Classification
.png){kind=icon}
PRE
AI
DOI：10.1109/jbhi.2026.3667990.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
基于深度学习的方法在多标签胸部X光（CXR）图像分类中显示出有前景的结果。然而，大多数现有方法依赖于大规模全标注数据集，这些数据集的获取成本高昂且费力。因此，在标注有限的情况下训练高性能模型仍然是实践中的一个重大挑战。为解决此问题，我们提出了一个用于多标签CXR图像分类的对抗性和相关性感知数据增强（ACAA）框架。首先，我们基于模型对弱增强图像的预测生成伪标签。接下来，我们提出一种广义Nesterov迭代快速梯度符号方法（GNI-FGSM）来生成有效的对抗样本作为图像级强增强数据。然后，我们引入一种基于图像级对抗增强的一致性正则化，以对上述图像级对抗样本上的模型预测进行监督。为探索更多样化的数据变换，我们进一步通过在每幅图像的提取特征上施加扰动，在特征空间中进行对抗增强，并引入一种基于特征级对抗增强的一致性正则化。此外，我们提出一种与批级别Mamba模块（BatchMamba）耦合的批级别Mamba-based相关性正则化，以探索沿批维度的样本间相关性。在两个大型CXR数据集（CheXpert和MIMIC-CXR）上的广泛实验证明了所提出的ACAA框架在标注有限场景下进行多标签CXR图像分类的有效性。
Keyword:
Multi-label chest X-ray (CXR) image classification
consistency regularization
adversarial data augmentation
Mamba
期刊
IF:
6.8
论文数:
4.7K
被引数:
2.0W
机构
引用论文
Grad-CAM++: Generalized Gradient-Based Visual Explanations for Deep Convolutional NetworksGrad-cam: 基于广义梯度的深度卷积网络视觉解释
OAAI
.png){kind=icon}
OAAI分享收藏
分享收藏
查看更多内容