【ACMMM2024】处理医疗图像分类中类增量学习的失衡问题

深度卷积神经网络在医疗图像分类中取得了显著突破，假设所有类别的训练样本可以同时获得。然而，在现实世界的医疗场景中，通常需要不断学习新的疾病，这催生了医疗领域中类增量学习（Class Incremental Learning，CIL）的新兴领域。通常，CIL在训练新类别时会遭遇灾难性遗忘。这种现象主要是由于新旧类别之间的不平衡引起的，在不平衡的医疗数据集中这一问题尤为严重。在这项工作中，我们引入了两个简单但有效的插件方法来减轻不平衡的负面影响。首先，我们提出了一种CIL平衡分类损失，通过对logit调整来减轻分类器对多数类别的偏见。其次，我们提出了一种分布边界损失，不仅缓解了嵌入空间中的类间重叠，还加强了类内紧凑性。我们在三个基准数据集（CCH5000，HAM10000，和EyePACS）上进行了广泛的实验，以评估我们方法的有效性。结果表明，我们的方法优于最新的状态-of-the-art方法。