不平衡医学图像分类的循环对比学习

由于疾病发生率的固有差异，医学图像分类经常遭受类别不平衡的困扰。现有的方法，例如类重采样和损失重新加权，主要改进观察到的特征分布内的学习，但没有明确扩大尾部类的潜在支持区域。因此，尾类表示仍然过于紧凑，很容易被头类侵犯，导致决策边界出现偏差。在这项工作中，我们提出了用于不平衡医学图像分类的循环对比学习（RCL）。 RCL 通过在训练阶段反复重用历史特征状态，逐步扩展尾类的支持区域。具体来说，我们采用带有 LoRA 适配器的 DINOv3 作为骨干，以提供强大的特征嵌入。然后，我们设计了一个临时记忆队列（TMQ）来在训练阶段保留语料库级特征，并为对比学习提供多样化的全局参考。基于TMQ，我们构造了时间锚点（TAR）以在尾部类周围形成锚点场。该字段扩大了尾类的支持区域，抑制了头类的侵占，并改善了类间的分离。对三个不平衡的医疗数据集进行的广泛实验表明，RCL 在强基线上取得了一致的改进。该代码可在 https://github.com/dndins/RCL 获取。