标签关联性指导的半监督多标签医疗图像分类模型

摘要

深度学习在多标签医学图像分类上表现出色，但往往依赖于大量标注数据.然而，在医学图像分析中，获取高质量标签既费力又昂贵，因为准确标注医学图像需要医生的专业知识.为此，本文提出了一种用于多标签医学图像分类的半监督框架.该框架考虑了有标签数据和无标签数据的分布差异，通过引入领域鉴别器与特征提取器进行对抗性学习，使模型在学习特征表示的同时保持特征空间的一致性.此外，还提出了一个标签关联性一致性范式来充分利用无标签数据来促进标签关联性的学习，进而提高模型的分类性能.在两个公共基准医学图像数据集上的实验结果表明，所提出的方法不仅能够有效处理标注数据稀缺的问题，还能显著提升多标签医学图像分类的整体性能.

关键词

多标签医学图像 / 半监督框架 / 标签关联性 / 分布差异