基于狄利克雷变分信息瓶颈的胸部X光分类模型：医疗影像诊断的新策略

本文创新性地将狄利克雷分布（Dirichlet）与变分信息瓶颈（VIB）相结合，提出DirVIB模型用于胸部X光分类。通过推导基于狄利克雷分布的损失函数，并引入L1正则化和交叉熵，实现了模型性能与计算复杂度的动态平衡。实验表明该模型在三个胸部X光数据集上优于对比模型，为医疗影像分类提供了灵活的新方案。

　　

Highlight

本研究基于变分信息瓶颈框架创新性地引入狄利克雷分布，开发了具有参数可调特性的DirVIB模型。该模型通过编码器生成狄利克雷参数，采样获取潜变量后经解码器输出分类结果，在保持低计算复杂度的同时显著提升分类性能。

Related work

当前医学影像分类领域，传统卷积神经网络(CNN)缺乏可调节的瓶颈层结构，而变分自编码器(VAE)会产生与分类无关的冗余信息。不同于服从单峰高斯分布的变分信息瓶颈，我们采用多峰特性的狄利克雷分布更适用于多分类任务建模。

Methodology

DirVIB模型工作流程包含三个关键步骤：1）胸部X光图像经编码器生成狄利克雷分布参数；2）通过重参数化技巧采样获得潜变量；3）潜变量经解码器输出最终预测。创新性地推导出基于KL散度的狄利克雷损失函数，与交叉熵和L₁损失共同优化模型。

Experiments

在三个胸部X光数据集上的实验表明：1）消融实验验证了狄利克雷损失函数的有效性；2）通过调节α₀参数可实现模型复杂度与性能的平衡；3）对比实验显示DirVIB在各项指标上均优于传统CNN、VAE等基线模型。

Conclusion and future work

DirVIB模型通过狄利克雷分布与变分信息瓶颈的创新结合，为医学影像分类提供了高性能、低复杂度且参数可调的解决方案。未来可探索该框架在其他模态医学图像（如CT、MRI）中的应用，并研究更高效的参数优化策略。