QMix:以混合噪音进行质量意识的学习,以实现强大的视网膜疾病诊断

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 计算机视觉 计算机视觉

背景情况:

• 由于复杂的获取和注释过程,医疗数据集往往含有噪音.
• 噪声,包括标签噪声 (错误标记的图像) 和数据噪声 (缺失的特征),降低了深度神经网络的性能.
• 现有的噪声学习方法主要关注标签噪声,忽视数据质量问题.

研究的目的:

• 提出QMix,这是一个新的噪音学习框架,旨在在混合噪音条件下设计可靠的疾病诊断模型.
• 在医疗数据集中有效处理错误标记的图像和缺少歧视特征的图像.
• 提高医疗图像分析中的深度学习模型的概括性和稳定性.

主要方法:

• QMix采用采样分离和质量意识的半监督培训的交替策略.
• 样本分离使用联合不确定性损失标准将图像分类为正确标记的,错误标记的高质量和错误标记的低质量类别.
• 半监督培训包括样本重权损失和对比增强损失,以减轻低质量的图像的影响并改善特征区分.

主要成果:

• 在6个公共视网膜图像数据集中,QMix实现了最先进的性能.
• 该框架显示,在混合噪声场景下,模型稳定性得到了显著改善.
• 实现了不同类型噪声的有效分离,从而实现了更好的模型训练.

结论:

• 在混合噪音的存在下,QMix为学习强大的疾病诊断模型提供了有效的解决方案.
• 拟议的方法通过考虑标签和数据质量来解决以前的噪音学习技术的局限性.
• 该框架显示出强大的潜力,可以提高医学图像分析中的深度学习的可靠性.