Addressing Imbalance for Class Incremental Learning in Medical Image Classification

深度卷积神经网络在医学图像分类方面取得了重大突破，前提是同时提供所有类别的训练样本。然而，在现实世界的医学场景中，通常需要不断学习新的疾病，这导致了医学领域的类别增量学习（CIL）的出现。通常情况下，CIL在训练新类别时会出现灾难性遗忘。这种现象主要是由于旧类别和新类别之间的不平衡所导致的，而且在不平衡的医学数据集中更具挑战性。在这项工作中，我们提出了两种简单而有效的插件方法来缓解不平衡的不良影响。首先，我们提出了一种CIL平衡分类损失，通过对逻辑进行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，不仅可以减轻嵌入空间中类间重叠，还可以强制实现类内紧密度。我们通过对三个基准数据集（CCH5000、HAM10000和EyePACS）进行广泛实验来评估我们方法的有效性。结果表明，我们的方法优于现有的最先进方法。

解决问题：该论文旨在解决医学图像分类中增量学习中的灾难性遗忘问题，尤其是在不平衡的数据集上。

关键思路：论文提出了两种简单而有效的方法来缓解不平衡数据集的影响，一是提出了CIL-balanced分类损失来调整分类器偏向多数类的问题，二是提出了分布边界损失，既缓解嵌入空间中的类间重叠，也强制执行类内紧凑性。

其他亮点：该论文使用了三个基准数据集进行了广泛的实验，分别是CCH5000、HAM10000和EyePACS。实验结果表明，该方法优于现有的最先进方法。

相关研究：在近期的研究中，还有一些相关的研究，例如“Learning without Forgetting”和“Continual Learning for Medical Imaging Classification”。