使用双教师网络进行样本自选,用于用噪音标签对病态图像进行分类.
Gang Han1, Wenping Guo2, Haibo Zhang2
1School of Information and Electronic Engineering, Zhejiang University of Science and Technology, Hangzhou 310023, China; School of Electronic and Information Engineering, Taizhou University, Taizhou 318000, China.
Computers in biology and medicine
|April 19, 2024
概括
这项研究引入了一种新的方法,用于提高深度神经网络 (DNN) 在杂的医疗图像数据上的性能. 通过使用早期停止和知识蒸,该方法可以有效地过噪音标签并提高分类准确性.
科学领域:
- 计算机科学 计算机科学
- 人工智能的人工智能
- 医疗成像医学成像
背景情况:
- 深度神经网络 (DNN) 需要大量高质量的标记数据以获得最佳性能.
- 数据集中的噪音标签显著降低了DNN准确性,这是医学图像分析中的一个关键问题,因为标签数据很少.
- 现有的处理噪音标签的方法往往导致装配不足.
研究的目的:
- 开发一种强大的方法来训练具有噪音标签的DNN,特别是在医疗领域.
- 为了减轻病理图像数据集中的不准确标签引起的性能下降.
- 为了提高DNN模型的可靠性和准确性,在现实应用中使用不完美的数据.
主要方法:
- 一个数据样本自选策略,利用早期停止来识别和过噪音数据样本.
- 通过双重教师网络实施知识蒸,以稳定学生网络的学习过程.
- 从培训历史中利用模型预测来策划更清洁的数据集进行再培训.
主要成果:
- 拟议的方法优于现有的先进技术,用于处理合成和现实数据集上的噪音标签.
- 在Chaoyang病理图像数据集上实现了2.39%的分类准确度显著增加.
- 通过数据清理和再培训,显著减轻噪音标签对模型性能的影响.
结论:
- 这种新的方法有效地解决了DNN培训中的噪音标签的挑战,通过结合早期停止和知识蒸.
- 该方法提高了模型的稳定性和准确性,为医学图像分析提供了实用解决方案.
- 这一策略为在数据有限或不完善的领域提供了更可靠的人工智能模型的途径.
