典型性和依据实例的标签噪声防治:一种新的框架,用于模拟和打击现实世界的噪声标签,用于内镜聚分类

科学领域:

• 机器学习 机器学习
• 计算机视觉 计算机视觉
• 医学图像分析 医学图像分析

背景情况:

• 神经网络与现实世界的噪音标签斗争,特别是在医学成像中常见的依赖实例的标签噪音 (IDN).
• 对于依赖实例的标签噪声 (IDN) 的现有方法不考虑样本典型性,限制了它们的有效性.
• 非典型的医疗样本通常收到不正确的标签,需要考虑样本特征的噪音处理方法.

研究的目的:

• 引入一种更现实的噪声模拟模型,称为典型性和实例依赖标签噪声 (TIDN).
• 在神经网络培训中开发一个旨在打击TIDN的新框架.
• 提高在杂数据集上训练的模型的稳定性和准确性,特别是在医学图像分类中.

主要方法:

• 通过测量样本距离到决策边界,开发了一个典型性和实例依赖的标签噪声 (TIDN) 模拟.
• 引入了一个TIDN注意模块来学习标签过渡矩阵,从潜伏的基本真理到观察到的噪音标签.
• 提出了一种用于使用学习过渡矩阵纠正预测的递归算法.

主要成果:

• 证明TIDN比实例独立标签噪声 (IIN) 和实例依赖标签噪声 (IDN) 更准确地反映真实世界的标签噪声.
• 拟议的TIDN打击框架在模拟TIDN的数据集上实现了优异的分类性能.
• 该框架还在实际的真实世界杂的医疗图像数据上表现得更好.

结论:

• 典型性和实例依赖的标签噪声 (TIDN) 提供了一个更现实的基准来评估标签噪声的稳定性.
• 开发的TIDN打击框架有效地解决了医疗图像分类中复杂的现实世界标签噪声场景.
• 这项工作通过提出更准确的噪音模型和强大的培训策略,推进了带有噪音标签的学习领域.