不平衡的医疗图像细分与像素依赖的噪音标签

科学领域:

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

背景情况:

• 准确的医疗图像细分至关重要,但受训数据中的噪音标签的挑战.
• 现有的方法往往无法有效地解决像素依赖的噪音和类不平衡.
• 目前的方法有可能通过使用对噪音标签过的固定值来排除少数群体.

研究的目的:

• 提出一个新的框架,协作学习与课程选择 (CLCS),用于准确的医疗图像细分.
• 解决像素依赖的噪音标签,减轻医学成像数据集中的类失衡问题.
• 通过利用噪音样本而不是丢弃它们来提高数据利用率.

主要方法:

• CLCS采用一个协作学习框架,具有双分支网络和对像素智能噪声识别的差异损失.
• 在课程噪音标签样本选择 (CNS) 模块中的课程动态值方法可自适应地选择干净的数据样本.
• 噪音平衡损失 (NBL) 模块使用强大的损失功能来利用噪音数据样本,防止性能下降.

主要成果:

• 该CLCS框架在两个具有多种细分噪声的基准数据集上展示了最先进的性能.
• 实现了超过3%的显著改进,在子和平均交叉与欧盟 (mIoU) 的指标中实现了显著改进.
• 有效处理像素依赖的噪音标签和类不平衡,优于现有方法.

结论:

• 在像素依赖的噪音标签和类不平衡的情况下,CLCS为医疗图像细分提供了强大的解决方案.
• 拟议的方法通过自适应地选择干净样本并有效利用噪音数据来提高细分的准确性.
• 该框架为处理医疗图像细分任务中的噪音标签设定了新的标准.