在医学图像分类中抑制标签噪声,使用混合注意力和自我监督学习
Mengdi Gao1,2, Hongyang Jiang3,4,5, Yan Hu3,4
1College of Chemistry and Life Science, Beijing University of Technology, Beijing, People's Republic of China.
Physics in medicine and biology
|April 18, 2024
概括
本研究引入了一种用于医学图像分类的深度神经网络 (DNN) 的新噪声强度训练方法. 通过整合对比学习和混合注意力,该方法有效地减轻了标签噪音,提高了噪音较大的数据集上的模型性能.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 机器学习 机器学习
背景情况:
- 深度神经网络 (DNN) 在医学图像分类方面表现出色,但需要大而准确的数据集.
- 标签噪声在医学注释中很常见,原因是注释器的变化,降低了DNN的性能.
- 过度装配噪音标签是DNN在医疗应用中的重大挑战.
研究的目的:
- 为医疗图像分类开发一种创新的,抗噪训练方法.
- 为了减轻标签噪声对DNN性能的不利影响.
- 提高DNN在临床环境中的可靠性和准确性.
主要方法:
- 整合了对比式学习,以改善DNN中的特征表示.
- 开发了一个集团内部混合注意模块,用于噪声抑制和样本插值.
- 将这些策略整合到香草监督学习框架中.
主要成果:
- 拟议的方法有效地处理医疗图像分类中的标签噪声.
- 对比实验证明了在合成和现实世界杂数据集上优于最先进的方法的优越性.
- 一项废除研究证实了对比学习和混合注意力组件的显著贡献.
结论:
- 噪音强度训练方法在医学图像分类中显示出在制标签噪声方面的强大能力.
- 该方法通过提高DNN可靠性,为现实世界的临床应用提供了潜力.
- 这项工作推进了针对杂医疗数据的强大深度学习技术.
