论文笔记：Multi-Task Generative Adversarial Network for Handling Imbalanced Clinical Data

大纲如下所示

该论文主要围绕如何在训练数据不平衡（健康组织较多，病变组织较少）情况下降低模型存在的偏差，减轻对健康组织的敏感度这一问题展开。

针对上述问题，现有的解决方案主要可分为两个类别：1）基于数据水平的方法：借助重采样数据空间得以实现，缺点在于在采样过程中重要样本可能会被除去或是增加不必要的冗余数据样本；2）基于算法水平的方法：通过修改学习算法得以实现，如准确度损失、不对称相似性等，缺点在于算法可修改的方面存在限制。

论文针对方法2进行实现，旨在利用关联任务之间的关系实现语义分割与疾病分类。首先，论文提出了一个条件生成对抗网络框架，网络中包括两个主要组件：1）生成模型，生成分割像素的标签，实现分割与预测；2）判别模型，以生成模型的输出作为输入，将其与标定数据进行比较分析，判断标签是否为真，继而输出。其次，在训练过程中，两个组件交替进行训练（该过程即论文标题中的Multi-Task），分别对目标函数进行最小化与最大化处理。再者，论文对于两个组件都加入了混合选择性加权分类交叉熵损失与L1损失的对抗损失。其中，选择性加权的分类交叉熵损失用于语义分割任务，减轻不平衡数据造成的影响；选择性加权L1损失则用于疾病预测任务，最小化现有最大值与预测值之间的绝对差异。