积极的标签精细化,以强有力的训练不平衡的医疗图像分类任务在高标签噪声的存在
Bidur Khanal1, Tianhong Dai2, Binod Bhattarai2
1Center for Imaging Science, Rochester Institute of Technology, Rochester, NY, USA.
Medical image computing and computer-assisted intervention : MICCAI ... International Conference on Medical Image Computing and Computer-Assisted Intervention
|April 10, 2025
概括
这项研究引入了一种新方法,以提高医疗图像分类准确度,使用噪音标签,特别是在不平衡的数据集. 它将学习与噪音标签和积极学习相结合,以有效地清理数据.
科学领域:
- 医学图像分析 医学图像分析
- 机器学习 机器学习
- 计算机视觉 计算机视觉
背景情况:
- 用于医学图像分类的监督深度学习易受标签噪声的影响.
- 现有的方法与类不平衡的数据集扎,缺乏专家在循环中的验证.
- 在不平衡的数据集中,忽视少数群体作为噪音样本是一个常见的问题.
研究的目的:
- 提高医疗图像分类对不平衡数据集中的标签噪声的稳定性.
- 使用有限的注释预算开发一种积极清理噪音标签的方法.
- 改善在杂,不平衡的数据集中识别和处理少数群体.
主要方法:
- 一种两阶段的方法,将学习与噪音标签 (LNL) 和积极学习结合起来.
- 在LNL阶段引入一种新的梯度变量方法.
- 通过重新标记重要的错误标签来改进代数据集.
主要成果:
- 拟议的技术显著提高了医疗图像分类与噪音标签的稳定性.
- 与以前的方法相比,在处理类不平衡方面表现出优越性.
- 减少了少数阶级清洁样品被误认为有噪音的错误识别.
结论:
- 结合的LNL和主动学习方法有效地解决了医疗图像分类中的标签噪声和类不平衡问题.
- 梯度变量方法通过考虑代表性不足的例子来增强样本选择.
- 这种方法提供了一个强大的解决方案,以改善医学数据集质量在注释约束下.
