Effective-LDAM: An Effective Loss Function To Mitigate Data Imbalance for Robust Chest X-Ray Disease Classification

深度学习方法在医学影像诊断中已经越来越受到重视。胸部X光分类已经成为检测各种疾病的有效方法。在这些方法中，胸部X光分类已被证明是检测和分析各种疾病的有效方法。然而，DL分类算法的可靠性表现取决于获得大型和平衡的数据集，这在医学影像方面存在挑战，因为获取每种疾病类别的足够数据是不切实际的。为了解决这个问题，我们提出了一种算法中心的方法，称为有效标签分布感知边界（E-LDAM），该方法使用每个类别中的有效样本修改了广泛采用的标签分布感知边界（LDAM）损失函数的边界。对COVIDx CXR数据集的实验评估集中在正常、肺炎和COVID-19分类上。实验结果表明，所提出的E-LDAM方法的有效性，CXI图像预测中少数类（COVID-19）的召回率得分达到97.81％，三类分类任务的整体准确性达到了令人印象深刻的95.26％。

本篇论文旨在解决医学图像中数据不平衡的问题，提出了一种改进的损失函数来提高DL算法在胸部X光图像分类中的性能。

论文提出了一种名为E-LDAM的算法，通过使用每个类别中的有效样本数来修改LDAM损失函数的边缘，以解决医学图像中数据不平衡的问题。

论文在COVIDx CXR数据集上进行了实验评估，重点关注正常、肺炎和COVID-19分类。实验结果表明，所提出的E-LDAM方法在CXF图像预测中取得了97.81%的显著召回率，同时三类分类任务的总体准确率达到了95.26%。

最近在这个领域中，还有一些相关研究，如《COVID-Net: A Tailored Deep Convolutional Neural Network Design for Detection of COVID-19 Cases from Chest Radiography Images》和《COVID-19 Detection Using Deep Learning Models to Exploit Social Mimic Optimization and Structured Chest X-Ray Images Using Fuzzy Color and Statistical Features》。