吴恩达-医学图像人工智能专项课程-第一课第一周11节总结

Posted 2021-08-13 Tina姐

回顾一下医学图像深度学习面临的三个挑战

三个挑战

我们将讨论医学图像训练算法的三个关键挑战：类不平衡挑战、多任务挑战和数据集大小挑战。对于每一个挑战，我们将介绍一到两种应对方法。

• 类别不平衡：可以使用加权的 loss weighted loss, 或者是均衡采样（resampling）
• 多任务： 多标签loss
• 数据集大小： 迁移学习 + 数据增强

在上一次课程中，我们使用加权损失函数来减少类不平衡带来的影响。今天这节课我们通过另一种方式来实现。即通过重采样来实现类平衡。

通过重采样来实现类平衡

这里的基本思想是重新采样数据集，这样我们就有了相同数量的 normal 和 mass 示例。让我们看看如何实现这一目标。

首先，我们把 normal 和 mass 的例子放在一起。注意 normal 组有六个例子， mass 有两个例子。现在从这些组中，我们将对图像进行重采样，这样正片和负片的采样数相等。

我们可以从 mass 类中抽取一半示例（4个），从 normal 类中抽取一半示例（4个）。请注意，这意味着我们可能无法在重新采样中包括所有 normal 的示例。此外，在我们重新采样的数据集中，我们可能有多个 mass 示例的副本。

对于这个重新采样的数据集，如果我们现在用和以前一样的方法计算损失，我们可以看到即使没有加权，两类对loss的贡献是相等的。

重采样的方法

要使两类的数量相同，有两种办法。

• 对 normal 类进行欠采样
  即仅使用 normal 类的部分样本用于训练，并不需要全部样本量
• 对 mass 样本进行过采样
  即 mass 类的样本进行重复采样

这些方法都属于重采样方法的范畴，可以用来解决数据不平衡问题。

欢迎继续阅读下一次内容~~