불균형 의료 영상 분류를 위한 순환 대비 학습

Recurrent Contrastive Learning for Imbalanced Medical Image Classification

의료 영상 분류는 종종 질병 발생률의 불균형으로 인해 클래스 불균형 문제를 겪습니다. 기존 방법인 클래스 재샘플링 및 손실 가중치는 주로 관찰된 특징 분포 내에서의 학습을 개선하지만, 희소 클래스의 잠재적 지원 영역을 명시적으로 확장하지는 않습니다. 그 결과, 희소 클래스의 표현은 지나치게 압축되어 있으며, 우세 클래스가 쉽게 침투하여 편향된 의사 결정 경계를 초래합니다. 본 연구에서는 불균형 의료 영상 분류를 위한 순환 대비 학습(Recurrent Contrastive Learning, RCL)을 제안합니다. RCL은 훈련 단계에서 과거의 특징 상태를 반복적으로 재사용하여 희소 클래스의 지원 영역을 점진적으로 확장합니다. 구체적으로, 강력한 특징 임베딩을 제공하기 위해 DINOv3에 LoRA 어댑터를 사용하고, 훈련 단계를 넘어 코퍼스 수준의 특징을 보존하고 다양한 글로벌 참조를 대비 학습에 제공하기 위해 Temporal Memory Queue (TMQ)를 설계했습니다. TMQ를 기반으로, 희소 클래스 주변에 앵커 필드를 형성하는 Temporal Anchors (TARs)를 구성합니다. 이 필드는 희소 클래스의 지원 영역을 확장하고 우세 클래스의 침투를 억제하며, 클래스 간 분리를 향상시킵니다. 세 개의 불균형 의료 데이터셋에 대한 광범위한 실험 결과, RCL은 강력한 기준 모델 대비 일관된 성능 향상을 달성하는 것으로 나타났습니다. 코드 및 관련 자료는 https://github.com/dndins/RCL 에서 확인할 수 있습니다.

Medical image classification often suffers from class imbalance due to the inherent disparities in disease incidence. Existing approaches, such as class resampling and loss reweighting, mainly improve learning within the observed feature distribution, but do not explicitly enlarge the latent support region of tail classes. As a result, tail-class representations remain overly compact and are easily encroached upon by head classes, leading to biased decision boundaries. In this work, we propose Recurrent Contrastive Learning (RCL) for imbalanced medical image classification. RCL progressively expands the support region of tail classes by recurrently reusing historical feature states across training phases. Specifically, we adopt DINOv3 with LoRA adapters as the backbone to provide robust feature embeddings. We then devise a Temporal Memory Queue (TMQ) to preserve corpus-level features across training phases and provide diversified global references for contrastive learning. Based on TMQ, we construct Temporal Anchors (TARs) to form an anchor field around tail classes. This field enlarges the support region of tail classes, suppresses head-class encroachment, and improves inter-class separation. Extensive experiments on three imbalanced medical datasets demonstrate that RCL achieves consistent improvements over strong baselines. The code is available at https://github.com/dndins/RCL.