의료 이미지 분류를 위한 심층 트리 학습을 통한 CNN의 2단계 선택적 앙상블

의료 이미지 분류는 컴퓨터 보조 진단 시스템에서 중요한 작업입니다. 성능은 이미지에서 추출된 특징의 설명력과 분별력에 의해 결정됩니다. 심층 학습의 빠른 발전으로 인해, 심층 컨볼루션 신경망(CNN)은 주어진 분류 작업을 위해 원시 이미지 픽셀에서 최적의 고수준 특징을 학습하는 데 널리 사용되고 있습니다. 그러나 특정 품질 왜곡을 가진 레이블이 있는 의료 이미지의 수가 제한적이기 때문에, 이러한 기술은 과적합, 국소 최적값, 소실 기울기 등 훈련의 어려움으로 고통받고 있습니다. 이러한 문제를 해결하기 위해, 본 논문에서는 심층 트리 학습(DTT)이라는 새로운 학습 전략을 통해 CNN 가지의 2단계 선택적 앙상블을 제안합니다. 우리의 접근 방식에서 DTT는 CNN의 은닉 층으로부터 구성된 일련의 네트워크를 계층적으로 공동 훈련하는 데 채택되며, 이는 소실 기울기를 완화하고 최소 계산 부담으로 중간 수준 특징에 대한 기본 분류기를 본질적으로 얻는 이점을 제공합니다. 또한, 기본 학습자로서의 CNN 가지는 정확성과 다양성 기준에 따라 제안된 2단계 선택적 앙상블 접근법을 통해 최적 분류기로 결합됩니다. CIFAR-10 벤치마크와 두 개의 특정 의료 이미지 데이터 세트에 대한 광범위한 실험 결과, 우리 접근 방식이 정확성, 민감도, 특이도 및 F1 점수 측정 측면에서 더 나은 성능을 달성함을 보여줍니다.